基于VMD和1_5维Teager能量谱的滚动轴承故障特征提取_向玲

局域均值分解(LMD)方法是一种新的自适应信号处理方法，Teager能量算子是求解信号瞬时能量的非线性操作算法，能有效提取信号的瞬时能量。结合这两种方法的优点，提出一种基于LMD-Teager 变换的功率谱估计方法，给出了算法原理和步骤，讨论了功率谱估计的物理意义，并在与快速傅里叶变换(FFT)方法、小波变换对比的基础上，用短数据序列和非平稳信号进行了仿真验证。结果表明：该方法突破了FFT 方法中对所分析的信号必须平稳的要求，更适合于非平稳信号的处理；且对数据长度的要求较傅里叶方法低，而其分析精度和分辨率优于传统的傅氏方法和小波变换。

为实现调制信号瞬时幅值和瞬时频率的分离检测，研究了Hilbert变换解调方法和Teager能量算子解调方法，给出了详细算法和应用注意事项。利用仿真信号对两种解调方法进行了对比分析，结果表明：Teager能量算子解调方法解调效果较好，可在机械振动信号的解调分析中广泛采用。

针对变速器加速过程下轴承故障特征易于暴露难以提取问题,提出一种Teager 能量算子增强倒阶次谱方法。计算加速过程等角度重采样信号的Teager能量算子,对Teager能量算子输出进行倒谱分析,获得Teager能量算子增强倒阶次谱。对加速过程滚动轴承外圈、内圈剥落故障信号进行分析,结果表明,Teager能量算子能有效增强冲击成分,抑制非冲击成分;倒阶次谱能从干扰中准确识别被增强的故障冲击特征,提取轴承微弱故障特征。

利用labview软件编辑能量算子解调的程序

老师能量算子的matlab代码转RBM 运行 ConvRBM 的代码 由 Hardik B. Sailor 博士在博士研究期间在 DA-IICT 创建 使用 ConvRBM 学习听觉滤波器组的自述文件（在 MATLAB 中） 主文件是 hardik_raw_train.m，它将指导您训练 ConvRBM。 该代码由 Hardik B. Sailor 从 H. Lee 为频谱图开发的初始 ConvRBM 代码开发。 早期的 ConvRBM 被开发用于从以下论文中的频谱图中学习感受野： Honglak Lee、Yan Lagman、Peter Pham 和 Andrew Y. Ng，“使用卷积深度置信网络进行音频​​分类的无监督特征学习”，神经信息处理系统 (NIPS) 的进展，2009 年 22 月。 我们开发了它来从可变长度的原始语音和音频信号中学习听觉滤波器组。 我们还使用 Noisy ReLU 进行推理、退火丢失和 Adam 优化。 以下是我们根据此代码发布的出版物。 如果您使用此代码，请引用我们的 IEEE 期刊论文。 期刊出版物 Hardik B. Sailor 和 Heman

eager 能量算子能够估计产生信号所需的总机械能， 对信号的瞬态变化具有良好的时间分辨率和自适应能力， 在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率， 针对滚动轴承故障振动信号中的瞬态冲击特点， 提出了基于 Teager 能量算子的频谱分析方法， 利用 Teager 能量算子提取轴承故障引起的周期性冲击， 通过瞬时 Teager 能量的 Fourier 频谱识别轴承的故障特征频率。

运用凯斯西储大学滚动轴承故障数据，运用MOMEDA对信号进行周期的增强，提高信噪比，并运用希尔伯特变换，与Teager能量算子包络解调，体现Teager能量算子二次增强。同时还存在MCKD，

1.5维能量谱，在matlab中运行

运用凯斯西储大学滚动轴承故障数据，运用MOMEDA对信号进行周期的增强，提高信噪比，并运用希尔伯特变换，与Teager能量算子包络解调，体现Teager能量算子二次增强。同时还存在MCKD，