辛几何模态分解方法及其分解能力研究

摘要：

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC.通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响.将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号.

关键词：辛几何模态分解(SGMD)、辛矩阵相似变换、辛几何分量(SGC)、分解能力

所属期刊栏目：39

分类号：TH113

资助基金：国家重点研发计划项目;国家自然科学基金

在线出版日期：2020-08-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：27-35