1.一种基于FMVMD与SSA-MOMEDA的滚动轴承多通道故障特征提取方法,其特征在于,包括以下步骤:S1:对输入的多通道信号进行FMVMD分解,得到一系列多通道模态分量;
S2:计算各通道模态的EWK,选取EWK值大于0的模态作为有效模态进行信号重构;
S3:利用SSA-MOMEDA对重构信号进行降噪和增强周期冲击分量;
S4:通过包络解调获取滚动轴承故障特征频率;
所述S1对信号进行FMVMD分解方法如下:
S1.1:收集多通道滚动轴承信号,并计算各个通道的EK值,EK值通过下式进行计算:EK=KI·KES
式中SE(P)为数学x(n)的包络信号;
S1.2:挑选出最大EK值的通道作为主通道,对主通道信号进行频谱趋势分割,计算出分解模态数K、惩罚因子а、模态中心频率ω;
S1.3:将模态数K、惩罚因子а、模态中心频率ω带入MVMD中完成多通道信号的分解;
所述频谱趋势的分割通过FFT计算得到信号的频谱,对信号的频谱再次使用FFT得到信号频谱的核函数;取核函数的前30个点利用iFFT计算得到频谱趋势;
所述频谱趋势的优化采用硬阈值去噪方法,被噪声干扰的频谱趋势部分呈直线,然后以频谱趋势极小值点和直线趋势的端点作为新分割边界,其余带有趋势极大值点作为有效频段,即有效频段数等于模态数K;通过优化的频谱趋势分割图,找到频谱趋势极大值点,将极大值点对应的横坐标频率作为模态初始中心频率即ω=[ω1ω2…ωK];
每个ω对应一个а,既а=[а1а2…аK],а为惩罚因子,а通过下式计算式中,fs为数据采样频率。
2.根据权利要求1所述一种基于FMVMD与SSA-MOMEDA的滚动轴承多通道故障特征提取方法,其特征在于,所述S2中EWK由下式计算:
式中,KI(k)、C(k)表示数据x(i)的峭度和相关系数。
3.根据权利要求1所述一种基于FMVMD与SSA-MOMEDA的滚动轴承多通道故障特征提取方法,其特征在于,所述S3中SSA-MOMEDA通过SSA优化算法对MOMEDA参数T、L进行优化,具体方法如下:S3.1:设置SSA中种群麻雀数目与迭代次数均为200,参数T的搜索范围[0.75TS3.2:通过MOMEDA对信号进行分解;
S3.3:计算滤波后信号的EK值,若满足优化准则更新最大适应度的位置和大小;
S3.4:判断是否满足停止条件,若满足输出MOMEDA最优参数,不满足则重复上述步骤。