【故障诊断】特征模态分解：旋转机械故障诊断的新分解理论研究（matlab代码实现）

 👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

---

💥1 概述

文献来源：

 本文针对机械故障的特征提取量身定制了一种新的分解理论——特征模态分解（FMD）。所提出的FMD本质上是通过设计的自适应有限脉冲响应（FIR）滤波器分解不同的模式。FMD利用相关峰度的优越性，同时考虑了故障信号的冲动性和周期性。首先，通过汉宁窗口初始化设计的FIR滤波器组为分解提供方向;然后使用周期估计和更新过程来锁定故障信息。最后，在模式选择过程中去除冗余和混合模式。使用从轴承单个和复合故障收集的模拟和实验数据，证明了FMD的优越性，可以自适应和准确地分解故障模式，并对其他干扰和噪声具有鲁棒性。此外，已经证明FMD在机械故障特征提取方面优于最流行的变分模态分解。

📚2 运行结果

 

 

 

 部分代码：

% FMD
tic
y_final = FMD(fs, x, filtersize, cutnum, modenum, maxiternum);
toc
% Plot
b = size(y_final, 2);

figure('Name', 'Time waveform of mode(s)')
for k = 1:b
    subplot(b, 1, k)
    plot(t, y_final(:, k), 'b')
    xlabel('Time [s]');
    ylabel('Amplitude');
end

figure('Name', 'FFT amplitude spectrum of mode(s)')
for k = 1:b
    subplot(b, 1, k)
    [ff, amp] = myfft(fs, y_final(:, k), 0);
    plot(ff, amp / max(amp), 'r');
    xlabel('Frequency [Hz]');
    ylabel('Amplitude');
end

figure('Name', 'Hilbert envelope spectrum of mode(s)')
for k = 1:b
    subplot(b, 1, k)
    envelope = abs(hilbert(y_final(:, k))) - mean(abs(hilbert(y_final(:, k))));
    [ff, amp] = myfft(fs, envelope, 1);
    xlabel('Frequency [Hz]');
    ylabel('Amplitude');
    xlim([0 300])
end

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Yonghao, Miao, et al. “Feature Mode Decomposition: New Decomposition Theory for Rotating Machinery Fault Diagnosis.” IEEE Transactions on Industrial Electronics, Institute of Electrical and Electronics Engineers (IEEE), 2022, pp. 1–1, doi:10.1109/tie.2022.3156156.

🌈4 Matlab代码、数据、文章讲解