自适应SVMD-BSIE差分谱的转子故障信号降噪与特征提取

摘要

转子系统受载荷、润滑以及工作环境等因素影响，采集的振动信号会混入大量噪声，导致转子故障特征难以提取，因此，提出一种自适应连续变分模态分解-玻尔兹曼香农交互熵（Sequential Variational Mode Decomposition-Boltzmann Shannon Interaction Entropy, SVMD-BSIE）差分谱联合的转子系统故障信号降噪与特征提取方法。首先，以能量熵为适应度函数，利用融合正余弦和柯西变异的麻雀优化算法（Sparrow Search Algorithm Combining Sine-Cosine and Cauchy Mutation, SCSSA）对SVMD中平衡参数Alpha进行优化，得到SVMD的最佳参数，并将信号分解为一系列本征模态分量（Intrinsic Mode Function, IMF）。其次，利用BSIE，并在此基础上构建BSIE差分谱自动选择模态分量重构信号。最后，通过仿真与转子实验数据进行验证，并与多种方法对比分析。结果表明：该方法降噪后信号信噪比为19.914 6 dB，均方误差为0.194 2，相比于粒子群优化-变分模态分解-多尺度排列熵（Particle Swarm Optimization-Variational Mode Decomposition-MultiScale Permutation Entropy, PSO-VMD-MPE）方法信噪比提升30.69%，均方误差降低34.35%，降噪性能更优异；相比于改进奇异值分解方法，合成的轴心轨迹图像更加清晰，且在降噪的同时能最大限度保留转子故障信息，有较好的应用价值。

关键词

转子系统 / 振动信号 / 连续变分模态分解 / 玻尔兹曼-香农交互熵 / 特征提取