基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

来源：机械与电子杂志2022年第02期北京时间：

作者：梁雄鹤;陈珊;魏豪?;张丽洁;权伟

单位：西安工程大学机电工程学院,陕西 西安 710048

摘要：针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。

关键词：声音信号;SAF 指标;最优 IMF 分量; K-SVD ;信噪比

基金资助：陕西省自然科学基础研究计划( 2019JQ-852 )