基于振动数据的滚动轴承故障特征提取增强型混合 SVD-DBO-VMD 框架

《Sensors》：An Enhanced Hybrid SVD-DBO-VMD Framework for Rolling Bearing Fault Feature Extraction Using Vibration Data

　　为了解决从滚动轴承中提取故障信息的难题，本研究提出了一种新的混合方法，将奇异值分解（SVD）、 Dung Beetle优化（DBO）和变分模态分解（VMD）相结合，以增强故障特征提取。该方法包含三个关键步骤：（1）通过奇异值差分谱进行自适应SVD降噪，即将采集的信号首先重构为相空间Hankel矩阵，并识别其奇异值差分谱的最大极值点作为SVD降噪的最优秩次；（2）使用最小包络熵对VMD参数进行DBO优化——为防止过度分解，利用DBO通过最小化包络熵来自动确定最佳模式数K，并将信号分解为一组本征模态函数（IMFs）；（3）通过峭度和峰-峰值联合筛选敏感IMFs，其中基于峭度和峰-峰值的联合准则用于选择包含最丰富故障信息的IMF。然后对该敏感IMF进行Hilbert包络谱分析，以准确提取滚动轴承的故障特征频率。来自两台不同测试台架的实验结果表明，所提出的方法能够更有效地突出周期性故障脉冲并识别故障类型，为滚动轴承故障特征提取提供了一种可靠的方法。