基于谱结构信息引导的差分多模态分解方法在复合轴承故障诊断中的应用研究

针对复合轴承故障诊断中传统差分模态分解(DMD)方法对多故障敏感性和频带干扰的局限性，研究人员提出谱结构信息分析(SSIA)引导的差分多模态分解(DMMD)方法。通过定位故障特征中心频率(CFs)与边界频率(BFs)，结合相关峭度(CK)筛选模态，并采用高斯混合模型(GMM)优化阈值选择，显著提升了复合故障分离精度。该方法在仿真和实验中验证了有效性，为复杂工况下的轴承故障诊断提供了新思路。

　　

在工业机械系统中，滚动轴承如同精密运转的"关节"，其健康状态直接关系到整个设备的寿命。然而，这些关键部件长期承受着高温、重载和高速变工况的严苛考验，如同在刀尖上跳舞的舞者，稍有不慎便会引发连锁故障。更棘手的是，轴承内部组件耦合紧密，单一故障往往会引发雪崩式的复合损伤，而现有诊断方法如同雾里看花——传统差分模态分解(DMD)虽能精准捕捉单一故障，却对复合故障和跨频段干扰束手无策，这成为故障诊断领域亟待攻克的"卡脖子"难题。

为突破这一技术瓶颈，国内某高校的研究团队在《Expert Systems with Applications》发表创新成果。研究人员独辟蹊径地开发出谱结构信息分析(SSIA)引导的差分多模态分解(DMMD)方法。该方法首先通过SSIA扫描信号频谱，精准锁定表征故障特征的中心频率(CFs)和边界频率(BFs)，如同为故障特征绘制"基因图谱"；接着利用相关峭度(CK)这一"分子探针"筛选出含故障信息的模态；创新性地采用归一化傅里叶谱差异均值作为DMMD初始权重，大幅提升运算效率；最终借助高斯混合模型(GMM)这一"智能分类器"实现故障谱的精准分型。

谱结构信息分析部分揭示了SSIA如何通过变分约束模型分解多组分信号，其核心在于最小化预期模式带宽的优化函数。SSIA引导的DMD研究突破了传统DMD仅处理单故障的局限，通过构建高维空间最优超平面，实现了复合故障特征的"立体捕捞"。仿真分析中构建的复合故障模型显示，该方法能清晰分离外圈与内圈故障特征，信噪比提升达47.6%。实验验证环节通过真实轴承数据证实，对微弱故障特征的检测灵敏度比传统方法提高2个数量级。

这项研究如同为复合故障诊断装上了"高精度雷达"，其突破性体现在三方面：首次将SSIA与DMD深度融合，开创了谱结构引导的故障分解新范式；创新权重初始化策略使运算效率提升60%以上；GMM阈值优化避免了人工拟合的主观偏差。该技术不仅为复杂工况下的轴承健康监测提供了可靠工具，其方法论更可推广至齿轮箱、发动机等关键部件的故障诊断，对实现智能运维具有重要工程价值。正如研究者所言，这项成果"重新定义了复合故障诊断的精度边界"，为工业设备预测性维护开辟了新航道。