Iterative feature mode decomposition: A novel adaptive denoising method for mechanical fault diagnosis

降噪 特征(语言学) 分解 模式识别(心理学) 计算机科学 断层(地质) 模式(计算机接口) 人工智能 算法 地质学 化学 地震学 哲学 语言学 有机化学 操作系统
作者
Xiaolong Ruan,Rui Yuan,Zhang Dang,Yong Lv,Xiaolong Jing
出处
期刊:Measurement Science and Technology [IOP Publishing]
卷期号:35 (9): 096101-096101
标识
DOI:10.1088/1361-6501/ad4fb2
摘要

Abstract Remaining useful life prediction of rolling bearings highly relies on feature extraction of signals. The use of denoising algorithms helps to better eliminate noise and extract features, thereby constructing health indicators to predict remaining useful life. This paper proposes a novel adaptive denoising method based on iterative feature mode decomposition (IFMD) to accurately and efficiently extract fault features. The feature mode decomposition (FMD) employs correlation kurtosis (CK) as the objective function for iterative filter bank updates, enabling rapid identification of fault features. To achieve IFMD, the sparrow search algorithm combines sine-cosine algorithm and cauchy variation (SCSSA) to optimize two key parameters in FMD. During the continuous iteration process of the SCSSA algorithm, filter length and number of modes were determined. IFMD does not require empirical setting of initial parameters. During iterative process, the signal is accurately decomposed and the noise is eliminated. Compared with other optimization algorithms, SCSSA has obvious advantages in iterative rate and global optimization. The envelope spectrum feature energy ratio (ES-FER) is used to select decomposed modes, and the mode with the largest ES-FER is chosen as the optimal mode. Bearing fault diagnosis is realized by envelope spectrum analysis of the optimal mode. The numerical simulations and experimental verifications both validate the effectiveness and superiority of the proposed IFMD in mechanical fault diagnosis.
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
一一应助QR采纳,获得30
刚刚
李爱国应助小高同学采纳,获得10
2秒前
科研通AI2S应助尤尔竹采纳,获得10
2秒前
3秒前
3秒前
千夕发布了新的文献求助10
8秒前
9秒前
10秒前
11秒前
慕青应助uiwh采纳,获得10
11秒前
杨杨完成签到,获得积分10
13秒前
maxiaoyun发布了新的文献求助10
15秒前
15秒前
柴柴发布了新的文献求助10
16秒前
17秒前
黄钰婷发布了新的文献求助10
17秒前
18秒前
黎耀辉发布了新的文献求助10
19秒前
LYX完成签到,获得积分10
20秒前
千夕完成签到,获得积分20
20秒前
完美世界应助拉长的断秋采纳,获得10
20秒前
21秒前
23秒前
ding应助huihui2121采纳,获得10
23秒前
mayue完成签到,获得积分10
23秒前
大气的画板完成签到 ,获得积分10
24秒前
cctv18应助heyunhua23采纳,获得10
24秒前
25秒前
25秒前
远方完成签到 ,获得积分10
26秒前
qiyewang发布了新的文献求助10
26秒前
26秒前
光盐发布了新的文献求助10
26秒前
飞扬的刘海儿应助茶博士采纳,获得10
26秒前
27秒前
SciGPT应助玛卡巴卡采纳,获得10
27秒前
27秒前
maxiaoyun完成签到,获得积分10
28秒前
29秒前
29秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
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 3247717
求助须知:如何正确求助?哪些是违规求助? 2890987
关于积分的说明 8265743
捐赠科研通 2559230
什么是DOI,文献DOI怎么找? 1388048
科研通“疑难数据库(出版商)”最低求助积分说明 650670
邀请新用户注册赠送积分活动 627571