基于VMD-Matrix的DAS 振动信号物理可解释压缩表征与快速诊断

来源：振动与冲击杂志2026年第2期北京时间：

作者：徐赟帆xuyunfan@stumail.ysu,，柳海涛,，刘强,，毕卫红,,，齐跃峰,

单位：1.燕山大学信息科学与工程学院，河北 秦皇岛066004；2.燕山大学河北省特种光纤和光纤传感器重点实验室，河北 秦皇岛066004；3.长春理工大学中山研究院，广东 中山528400

摘要：针对分布式声学传感（distributed acoustic sensing，DAS）在带式输送机振动监测中面临的海量数据、多源噪声干扰及实时性要求，本文提出了一种名为变分模态分解-Matrix（variational mode decomposition-Matrix，VMD-Matrix）的框架，将机械振动故障的模态识别问题转化为特征映射和高效检索问题。首先，采用变分模态分解（VMD）方法自适应提取了8条物理独立的内在模态函数（intrinsic mode function，IMF），并对每一IMF的功率谱进行高斯拟合，获得“幅值–中心频率–带宽”三元组特征。通过构建一个8×3维的压缩特征矩阵，每个振动模式的特征被有效地压缩并表示为一个低维向量，保留了模态能量分布和频谱形态等关键物理信息，同时显著降低了数据的维度。随后，结合轻量级机器学习方法，实现了特征的快速检索和故障诊断。实验结果表明，平均检索时间为0.8毫秒，跨批次匹配准确率达到97.2%，分类准确率超过95%，计算效率提升约80%。在秦皇岛港1 km DAS工程现场的验证中，进一步证明了该框架能够实现毫秒级实时报警与故障知识沉淀，并具备高度可解释性和良好的数据库兼容性，为DAS大数据时代的智能监测与设备健康管理提供了一种高效、可扩展的解决方案。<br>

关键词：光纤光学；分布式声学传感；振动故障诊断；运输机健康监测；压缩特征提取；机器学习