基于参数优化特征模态分解的强背景噪声下滚动轴承故障诊断

来源：振动与冲击杂志2024年第21期北京时间：

作者：施亦非，黄宇峰，王锋，石佳，张洁

单位：西南交通大学轨道交通运载系统全国重点实验室，成都610031

摘要：为准确提取被强背景噪声掩盖的滚动轴承故障信息，提出一种参数优化特征模态分解 (parameter-optimized feature mode decomposition, POFMD)方法。首先，为解决特征模态分解 (feature mode decomposition, FMD)方法的输入参数依赖人工经验选取的问题，以平方包络谱峭度 (kurtosis of the square envelope spectrum, KSES)为权值，结合平方包络谱基尼系数 (Gini index of the square envelope spectrum, GISES)构建加权平方包络谱基尼系数 (weighted Gini index of the square envelope spectrum, WGISES)作为目标函数，通过优化算法确定FMD的最优参数组合；其次，为解决FMD的主模态分量难以选取的问题，通过计算所分解模态分量的KSES值选取主模态分量；最后，通过包络谱分析实现故障诊断。经仿真信号和实测信号分析，验证了POFMD在强背景噪声下滚动轴承故障诊断中的有效性。与变分模态分解 (VMD)、最大相关峭度解卷积 (MCKD)和谱峭度 (SK)相比，POFMD有更优越的故障特征提取性能。<br>

关键词：特征模态分解 (FMD)；包络谱峭度 (KSES)；基尼系数 (GI)；滚动轴承；故障诊断