基于改进VMD-SVD降噪的齿轮箱故障特征提取

强噪声背景下的齿轮箱振动信号故障特征提取困难,变分模态分解(VMD)和奇异值分解(SVD)都是有效的降噪方法,将两种方法结合起来有更好的降噪效果.但是若噪声非常强,甚至淹没了部分有用信息,传统的VMD-SVD联合降噪就会将部分有用信息与噪声一起滤掉.在传统的VMD-SVD联合降噪的基础上,提出了改进VMD-SVD的降噪方法.在变分模态分解嵌入奇异值分解,利用奇异值分解对每个IMF分量进行处理,再将处理后的模态分量线性叠加,完成降噪过程.通过仿真验证证明了该方法能够有效地降低噪声信号,通过对实测齿轮箱断齿信号的处理分析,证明了该方法能够在极强的噪声背景中有效地保留有用信号、降低噪声信号,更有利于齿轮箱故障特征提取.