基于变分模态分解和奇异值分解的特征提取方法

资 源 简 介

基于变分模态分解和奇异值分解的特征提取方法

详 情 说 明

在机械故障诊断领域，准确提取故障特征对于实时监测设备健康状态至关重要。本文介绍了一种结合变分模态分解（VMD）和奇异值分解（SVD）的特征提取方法，特别适用于滚动轴承的故障诊断场景。

变分模态分解能够将复杂的故障信号自适应地分解成若干模态分量，每个分量包含了信号的局部特征。相比传统经验模态分解（EMD），VMD有效避免了模态混叠问题，提高了分解的稳定性。随后，对分解得到的各个模态进一步应用奇异值分解，从矩阵运算的角度提取出更深层次的特征矩阵，实现了对振动信号关键信息的二次提炼。

特征提取后，采用模糊C均值聚类（FCM）构建标准故障聚类中心。测试样本通过计算与聚类中心的海明贴近度进行分类，同时结合分类系数和模糊熵评估分类性能。实验表明，该方法对FCM初始化条件不敏感，在变负荷工况下仍能保持100%的识别率——即使外圈故障特征发生迁移，其他故障特征仍能稳定聚集在原有聚类中心附近。

相较于传统EMD方法，融合VMD-SVD的特征提取策略展现出更强的鲁棒性，为实际工程中滚动轴承的智能故障诊断提供了可靠的技术路径。这种方法的核心优势在于通过双重分解保证特征稳定性，使诊断系统能够适应不同负载条件下的监测需求。