基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。     

基于改进的LMD运动想象信号识别

针对脑电信号非平稳非线性特征,提出基于改进的局部均值分解(Local Mean Decomposition,LMD)运动想象信号分类方法。首先结合改进LMD算法和加窗原则选取4~6 s想象信号作为分类数据,提取包含μ节律和β节律的PF分量;其次计算所选分量的样本熵值;最后用支持向量机进行分类预测,并用分类准确率进行评估。实验结果表明,运用改进LMD比传统LMD方法的识别率更高,从而验证该方法的有效性。     

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解（Local Mean Decomposition,LMD）和遗传神经网络自适应增强（Genetic Neural Network Adaptive Boosting,GNN-Adaboost）的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数（Production Function,PF）,对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数（方差、偏度、峭度）,组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。     

基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于IFD与DE-ELM的轴承故障诊断

针对局部均值分解（LMD）实现过程中存在的模态混淆现象和端点效应,影响识别精度的问题,提出了一种基于本征频率尺度分解（IFD）与差分进化极限学习机（DE-ELM）的方法。该方法将数字图像处理的频率分辨率概念与LMD结合起来;首先确定原始振动信号中的所有局部极值点的频率分辨率,将振动信号分为高频率分辨率区域和低频率分辨率区域;然后,构造本征频率尺度函数,将本征频率尺度函数添加到局部极值点低频率分辨率区域;最后,对添加本征频率尺度函数的原始振动信号进行LMD分解,在得到的乘积函数（PF）分量中剔除本征频率尺度函数,就可以得到突出原始信号振动特征的不同频率分辨率的PF分量,提取PF分量的特征参数构建特征向量作为DE-ELM的输入,进行故障类型识别。将该方法应用于轴承故障诊断,与LMD相比,故障识别精度提高了8.33%,表明了该方法的有效性与可行性。     

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。     

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法.利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别.实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别.     

一种参数优化VMD多尺度熵的轴承故障诊断新方法

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.     

基于PSO-SVM的地震信号分类识别研究

针对地震信号难以分类识别问题,运用了粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)方法,建立了以小波包分解求出的奇异值熵分量为特征输入的PSO-SVM模型.实验中以天然地震和人工爆破这两类地震信号进行,为了验证方法,文中开展了两种类型的实验——分别以单份波形和整个事件为识别单元,仿真实验结果表明,在以奇异值熵分量为特征中,PSO-SVM模型能有效地对地震信号进行分类识别.     

基于LMD的模态参数识别方法

采用局部均值分解（Local Mean Decomposition,LMD）方法来识别机械系统固有频率和阻尼比。局部均值分解（LMD）方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF（Production Function）分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法（Empirical Mode Decomposition,EMD）对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。     

A quantitative estimation technique for welding quality using local mean decomposition and support vector machine

The experimental nonlinear time series of welding current contain the arc feature information related to welding quality. The local mean decomposition (LMD) combining with the support vector machine (SVM) is put forward to quantitatively estimate the rationality of welding parameters and welding formation quality. The LMD is used to investigate the time–frequency distribution of arc energy, and the energy entropy is employed to quantitatively judge the welding arc characteristics related to welding quality. The collected current signal is decomposed into a number of product functions (PFs) by LMD. The energy entropy of each PF is calculated to establish the welding arc energy feature vectors, which are inputted into support vector machine classifier. The LMD combining with SVM can quantitatively estimate the time–frequency energy distribution characteristics of the arc current signal at different welding parameters and welding formation quality. Experimental results are provided to confirm the effectiveness of this approach to estimate the rationality of welding parameters and welding formation quality.     

LMD方法在脑电信号处理中的应用研究

局部均值分解(LMD)是一种新的非线性非平稳信号处理方法,该方法具有较强的自适应性,能将复杂信号分解为一系列具有物理意义的PF(production function)分量。但在信号分解过程中会产生端点效应,这将影响LMD分解精度,严重时会导致信号失真。在详细分析了LMD产生端点效应的原因之后,提出了一种基于相似波形加权匹配的端点延拓算法。通过对视觉诱发脑电信号进行仿真,并且和不做延拓的LMD分解结果做对比,说明该方法能够有效抑制LMD的端点效应,取得较好的分解效果。     

基于自动机器学习流程优化的雷达辐射源信号识别

针对雷达辐射源信号识别课题中复杂的参数配置问题,从机器学习参数优化的研究入手,发现了一种基于树结构的机器学习流程优化方法,该方法利用遗传编程生成基于树结构的机器学习流程,并对其结构和参数进行进化,得到表现最佳的带参数的机器学习流程。该流程可以包括特征处理和建模的任意组合,实现对原始数据集的学习和识别。并与人工参数配制的一对一支持向量机在两种不同维度的雷达信号特征集上进行对比识别,相比之下,该方法无须繁琐的参数配置,最高准确率提高超过6%,证明该方法得到的基于树结构的机器学习流程有着明显的优势。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.