Resumen

Debido a la poderosa capacidad del algoritmo EEMD en el ruido, generalmente se aplica a la extracción de características de la señal de falla del rodamiento. Pero la corrección selectiva de IMF sensibles después de la descomposición puede influir directamente en la corrección de la extracción de características de la señal de falla. Para resolver el problema, el artículo propone en primer lugar un nuevo método para seleccionar IMF sensibles basado en la Medición de Similitud en la Nube. Al comparar este método en un experimento de simulación con el método tradicional de información mutua, es evidente que el método propuesto ha superado el error en el método tradicional y tiene una mayor precisión, al recopilar de hecho la señal AE de falla normal, daño y fractura del anillo interno del rodamiento como muestras, que serán descompuestas por el algoritmo EEMD en los experimentos. Utiliza la Medición de Similitud en la Nube para seleccionar IMF sensibles que pueden reflejar las características de falla. Finalmente, establece la Entrop

• Materias:Control de vibraciones Seguridad industrial Vibración de rodamientos Dinámica no lineal Vibración dinámica
• Subjects:Vibration control Industrial safety Bearing vibration Nonlinear dynamics Dynamic vibration
• Palabras claves:Poderoso; Algoritmo EEMD; Señal de falla; Extracción de características; IMF sensible; Medición de Similitud en la Nube
• Keywords:Powerful; EEMD algorithm; Fault signal; Feature extraction; Sensitive IMF; Cloud Similarity Measurement