Incipient fault feature extraction of rolling element bearings based on SOSO boosting technique and improved energy operator

Boosting(机器学习) 计算机科学 能量操作员 模式识别(心理学) 振动 断层(地质) 噪音(视频) 特征提取 算法 滚动轴承 能量(信号处理) 降噪 人工智能 数学 声学 物理 统计 地震学 图像(数学) 地质学
作者
Yan Wang,Jiabo Li,Penghui Bu,Min Ye
出处
期刊:Measurement Science and Technology [IOP Publishing]
卷期号:35 (2): 025012-025012 被引量:1
标识
DOI:10.1088/1361-6501/ad0769
摘要

Abstract The incipient fault features of rolling element bearings (REBs) are easily overwhelmed by environmental noise and vibration interference. Therefore, this paper proposes a novel fault feature extraction method for REBs based on a SOSO (Strengthen-Operate denoising-Subtract-Strengthen) boosting technique. Firstly, an improved fast non-local mean filtering (IFNLM) algorithm is proposed by improving the similarity measure and kernel function while reducing the amount of weight calculation based on distance symmetry. Secondly, a SOSO_IFNLM boosting filtering structure is constructed to reduce the noise of the original vibration signal and enhance the early faint fault pulse. Finally, a k-value improved symmetric higher-order frequency-weighted energy operator (k-SHFWEO) is proposed to detect the bearing fault features from denoised signals. The effectiveness and feasibility of the proposed SOSO_IFNLM-k-SHFWEO method are numerically and experimentally investigated. The results demonstrate that the proposed method has better fault feature extraction capability for early weak faults of REBs and higher efficiency compared to other popular methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
曾经问玉发布了新的文献求助30
1秒前
在水一方应助T_MC郭采纳,获得10
2秒前
斯文败类应助T_MC郭采纳,获得10
2秒前
ding应助T_MC郭采纳,获得10
2秒前
昭谏完成签到,获得积分10
2秒前
烟花应助T_MC郭采纳,获得10
2秒前
fifteen发布了新的文献求助10
3秒前
天天快乐应助滕侑林采纳,获得10
3秒前
3秒前
Charail发布了新的文献求助30
4秒前
U2完成签到,获得积分10
4秒前
5秒前
打打应助ACEmeng采纳,获得10
5秒前
6秒前
cheney完成签到,获得积分10
6秒前
Orange应助雪中采纳,获得10
7秒前
qhy123发布了新的文献求助10
8秒前
mujianhua完成签到,获得积分10
8秒前
科研通AI2S应助鲤鱼谷秋采纳,获得10
8秒前
8秒前
8秒前
9秒前
墨墨发布了新的文献求助10
11秒前
11秒前
深情安青应助suka采纳,获得10
11秒前
12秒前
衾L发布了新的文献求助10
12秒前
落叶无悔完成签到,获得积分10
13秒前
潇洒紫寒完成签到,获得积分10
13秒前
韦远侵发布了新的文献求助10
13秒前
滕侑林发布了新的文献求助10
14秒前
16秒前
昊昊完成签到,获得积分10
16秒前
ACEmeng完成签到,获得积分10
16秒前
17秒前
怕孤独的访梦完成签到,获得积分10
17秒前
无私尔云完成签到,获得积分10
18秒前
波特卡斯D艾斯完成签到 ,获得积分10
18秒前
小二郎应助木槿采纳,获得10
19秒前
19秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3157832
求助须知:如何正确求助?哪些是违规求助? 2809154
关于积分的说明 7880665
捐赠科研通 2467655
什么是DOI,文献DOI怎么找? 1313641
科研通“疑难数据库(出版商)”最低求助积分说明 630467
版权声明 601943