集成辛奇异值模态分解及其在滚动轴承故障诊断中的应用OA北大核心CSTPCD

对时间序列的分析是机械故障诊断领域中最为重要的手段,但是拾取的信号往往包含大量干扰噪声,严重影响故障诊断的准确性。因此,提出一种集成辛奇异值模态分解(Ensemble Symplectic Singular Mode Decomposition,ESSMD)降噪方法。在ESSMD方法中,采用互信息函数法和GP算法自适应设置参数,并构造辛几何相似变换矩阵,进而获得降噪分量信号。然而,通过辛几何相似变换获得的分量可能耦合噪声信息,难以通过传统的“筛选”分量进行降噪。为了弱化分量信号中的耦合噪声,在ESSMD中进一步引入拉格朗日乘子,抑制分量中噪声对纯信号信息的干扰,获得更加纯净的纯信号矩阵。仿真和实验结果表明,ESSMD能够有效减少信号中包含的噪声。