SGMD-MOMEDA滚动轴承故障特征提取方法研究

摘要：

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法.首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components,SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征.仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition,EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值.

关键词：辛几何模态分解、辛几何分量、多点最优最小熵解卷积调整、特征提取、滚动轴承故障诊断

所属期刊栏目：44

分类号：TH17;TH133.3

资助基金：国家重点研发计划;河南省重点研发与推广专项;河南省科技攻关项目

在线出版日期：2022-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1279-1285