基于ASMVMD和MOMEDA的齿轮特征提取方法

作者：唐贵基,曾鹏飞,朱爽 日期：2024-12-24/span> 浏览：175 查看PDF文档

摘要:针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以SMVMD分解后各个通道的所有分量的平均包络谱峰值因子(Ec)之和的相反数作为寻优的适应度函数,确定了最大惩罚因子α和最大分解模态数k的最优值;然后,采用ASMVMD方法对齿轮多通道故障数据进行了自适应分解,根据Ec指标提取了各通道特定分量,并将这些分量相加,进行了信号重构;最后,采用MOMEDA解卷积处理了重构信号,进一步强化了齿轮故障的冲击特性,并利用包络谱分析解卷积信号,提取了齿轮的故障特征频率。研究结果表明：通过仿真信号和模拟实验信号的分析,可知利用ASMVMD-MOMEDA相结合的方法处理得到的信号降噪效果显著,能有效抑制无关干扰成分的影响,从包络谱中可以清晰地看到故障频率的前几阶倍频;与多元经验模态分解(MEMD)-MOMEDA相结合的方法进行对比,发现采用ASMVMD-MOMEDA方法得到的包络谱较MEMD-MOMEDA方法的谱线更加干净,各阶倍频更加明显,进一步证明ASMVMD-MOMEDA方法可以准确提取齿轮故障特征。

关键词:齿轮损伤特征;故障特征提取;自适应逐次多元变分模态分解;多点最优最小熵解卷积;多通道;解卷积;包络谱峰值因子;信号重构

中图分类号:TH132.41;TH165.3文献标识码:A文章编号:1001-4551(2024)12-2174-11


本文引用格式:

唐贵基,曾鹏飞,朱爽.基于ASMVMD和MOMEDA的齿轮特征提取方法［J］.机电工程,2024,41(12):2174-2184.

TANG Guiji, ZENG Pengfei, ZHU Shuang. Gear fault feature extraction method based on ASMVMD and MOMEDA［J］.Journal of Mechanical & Electrical Engineering, 2024,41(12):2174-2184.