2023年2月最新发表的信号分解的一区论文:特征模态分解:旋转机械故障诊断的新分解理论

(博主能力有限,仅提供代码,后续调节自行处理)
01.引言
本文针对机械故障的特征提取,提出了一种新的分解理论——特征模态分解(FMD)。所提出的FMD主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。FMD利用相关峰度的优越性,同时考虑了故障信号的冲动性和周期性。首先,采用汉宁窗初始化设计FIR滤波器组,为分解提供方向;然后利用周期估计和更新过程锁定故障信息。最后,在模式选择过程中剔除冗余模式和混合模式。通过轴承单故障和复合故障的仿真和实验数据,验证了FMD自适应准确分解故障模式以及对其他干扰和噪声的鲁棒性的优越性。此外,与目前流行的变分模态分解相比,FMD在机械故障特征提取方面具有优势。
02.特征模态分解算法流程图

特征模态分解的过程
(1)加载原始信号并输入参数,即模式数n和滤波器长度L
(2)通过汉宁窗口初始化FIR滤波器组,使用K个滤波器,建议设置为5-10,并开始迭代i = 1。
(3)获得滤波信号(即分解模态)
(4)使用原始信号x,估计模态周期作为自相关谱在过零点后达到局部最大值的点来更新滤波器系数。完成一次迭代并设置i = i+1。
(5)判断迭代次数是否达到预迭代次数。如果不是,返回步骤(3),否则输入
(6)计算每两个模态的构造一个K×K矩阵CC(K×K)。锁定CC值最大的两个模式CCmax,并使用估计的周期计算 它们的CK。然后,从两种模式中抛弃CK较小的模式,设K = K-1。
(7)判断模式K是否达到指定的n,如果不达到则返回步骤3,否则进入步骤8。
(8)获得保留模式作为最终分解模式。
03.优点
1)同时考虑信号的冲动性和周期性,FMD分解目标对机械故障具有针对性,对其他干扰和噪声具有鲁棒性。
2)采用自适应FIR滤波器提取分解模式。不受滤波器形状、带宽、中心频率的限制,分解更加彻底。
3)在不以故障周期为先验知识的情况下,FMD可以准确分解机械故障信息,特别是在不同频带占主导地位的复杂故障。
04.代码效果图


