基于SGMD-Autogram的液压泵故障诊断方法研究

简介

辛几何模态分解方法(Symplectic Geometry Mode Decomposition,SGMD)存在特征信息分布过于分散问题、Autogram方法中的最大重复离散小波变换(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT)存在特征提取能力不足问题,针对上述两问题,提出了基于SGMD-Autogram的新方法。对实测液压泵多模态故障振动信号进行SGMD分解;针对分解后产生的特征信息分布过于分散问题,提出基于最大无偏自相关谱峭度法,筛选含有丰富运行特征信息的模态分量为数据源,进而取代MODWPT,实现最优故障特征提取;对数据源进行阈值处理,并基于频谱实现对液压泵故障的诊断。通过对比分析仿真和实测液压泵斜盘故障振动信号,验证了该方法可以有效地诊断斜盘故障。