基于多尺度形态学滤波和K-SVD的轴承复合故障特征提取方法

针对滚动轴承复合故障诊断中的故障特征分离和提取难题，课题组提出一种基于多尺度形态滤波(multiscale morphological filtering, MMF)和K-SVD字典学习的复合故障特征分离与提取方法。首先，利用多尺度形态学滤波的尺度差异对信号进行分解，实现复合故障特征分离；其次，通过特征能量因子(feature energy factor, FEF)筛选出最佳尺度分量，并利用K-SVD分别构建学习字典库；然后，通过正交匹配追踪算法(orthogonal matching pursuit, OMP)从字典库中重构出信号；最后，结合迭代求差思想，对复合故障进行分离和特征强化。仿真和实验分析表明该方法能够自适应地分离并准确提取滚动轴承复合故障特征。与经典变分模态分解(variational mode decomposition, VMD)方法对比，该方法具有更好的鲁棒性。