基于SGMD-GKS的机械复合故障诊断方法

来源：振动与冲击杂志2025年第24期北京时间：

作者：王自忠，潘海洋pansea@ahut，郑近德，程健，童靳于

单位：安徽工业大学机械工程学院，安徽 马鞍山243032

摘要：针对辛几何模态分解（Symplectic Geometry Mode Decomposition，SGMD）难以完成强噪声干扰模式下振动信号有效分解的问题，论文提出一种基于高斯核相似度聚类的辛几何模态分解（Symplectic Geometry Mode Decomposition -Gaussian Kernel Similarity，SGMD-GKS）方法。在SGMD-GKS方法中，首先，对初始分量进行高斯核相似度（Gaussian Kernel Similarity，GKS）聚类，实现强噪声干扰模式下不同模态准确分割。其次，引入包络谱峰值因子（Envelope Spectrum Crest Factor，EC）衡量模态的归属类型并作为聚类终止条件。最后，计算模态中各峰值对包络谱峰值因子的贡献度，进一步完成故障特征的深度挖掘。仿真和实际复合故障信号实验结果表明：SGMD-GKS方法可以实现复合故障振动信号不同模态的准确划分，并完成有效诊断。<br>

关键词：故障诊断；辛几何模态分解；高斯核相似度；包络谱峰值因子