局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.     

局部均值分解方法中乘积函数判据问题研究

针对局部均值分解方法（Local mean decomposition,LMD）的乘积函数（Product function,PF）判据问题,根据乘积函数具有正交性的特点,将正交性判据（Orthogonality criterion,OC）引入了LMD方法。即将每次迭代后的OC值与预先确定的阈值进行比较,以此来确定乘积函数迭代过程的终止点。通过对仿真信号和实际信号的分析,验证了采用正交性判据确定的乘积函数满足正交性要求,反映了信号内含的物理信息,从而实现了对信号正确的分解。     

基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法

针对滚动轴承振动信号通常具有非线性与低信噪比特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态学分形维数的滚动轴承故障诊断方法。采用LMD将滚动轴承振动信号分解为若干个乘积函数（Product Function,PF）分量,计算包含有滚动轴承故障特征的PF分量形态学分形维数,并将其用作特征量判断滚动轴承工作状态及故障类型。实验分析结果表明,该方法能有效用于滚动轴承的故障诊断。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

局部均值分解在滚动轴承故障综合诊断中的应用

局部均值分解(LMD)是在经验模态分解(EMD)的基础上提出的一种新的自适应时频分析方法,在故障诊断领域展现出较好的应用前景。本文改进了LMD算法,提高LMD计算速度,并利用仿真信号研究了LMD算法的特性,验证了LMD处理多分量调幅调频信号的有效性;针对轴承故障信号的调制特点以及背景信号对故障信号的影响,本文提出将其应用于滚动轴承外圈点蚀、内圈点蚀和滚动体点蚀的故障综合诊断中,结果表明LMD方法能够有效地提取出故障特征频率,对故障类型做出准确判断     

广义经验模态分解性能分析与应用

针对经验模态分解（empirical mode decomposition,EMD）的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解（generalized EMD,GEMD）方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数（generalized intrinsic mode function,GIMF）,由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。     

基于局部均值分解和切片双谱的滚动轴承故障诊断研究

针对滚动轴承故障诊断问题,提出一种结合局部均值分解（LMD）和切片双谱的诊断新方法。首先利用LMD算法对故障信号进行自适应分解,分解后获得一组位于不同频带的乘积函数（PF）分量,然后利用本文提出的峭度准则对分解结果进行筛选,筛选出峭度值最大的PF分量,并对其包络信号做切片双谱分析,从而提取出故障特征频率信息。为加快分解速度、减少分解运算量,本文对LMD算法中的循环迭代结束条件做出改进,并利用模拟信号验证了LMD算法的信号分解能力以及切片双谱的噪声抑制和非二次相位耦合谐波剔除能力。最后,运用提出的诊断方法对实测轴承内圈、外圈故障振动信号进行分析,诊断效果良好,证明该方法具有一定的可靠性。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于B样条插值的局部均值分解方法研究

局部均值分解(Local Mean Decomposition,LMD)方法是一种较新的自适应信号分析方法。LMD算法的核心思想是将原始信号分解为多个乘积函数(Production Function,PF),其中每个PF都是一个包络函数和一个纯调频函数的乘积。在LMD算法中需要提取信号的局部均值函数和包络估计,然而常规的提取方法会带来局部误差且分解速度慢。为了解决此问题,提出了利用三次B样条对信号上、下极值点进行插值得到上、下包络线,进而获取信号局部均值和包络估计的新方法。对仿真信号和机械振动信号的对比实验验证了该方法的优越性。     

局域均值分解和小波阈值在大地电磁噪声压制中的应用

大地电磁测深法是基于电磁感应原理,利用天然交变电磁场来研究地下岩层的电学性质及其分布特征。然而,天然电磁场频带范围宽、信号微弱,在实际测量中大地电磁信号极易受到各种电磁噪声干扰,严重影响了后续的电磁法反演解释水平。针对这一难题,将局域均值分解(LMD)的自适应性和小波分析的多分辨性相结合,提出基于局域均值分解和小波阈值的大地电磁噪声压制方法。将含噪信号进行LMD分解得到若干阶乘积函数(PF)分量;根据大地电磁信噪特征保留PF_1分量,仅对其余各阶PF分量选取合适的小波阈值进行降噪处理;叠加重构获得大地电磁有用信号。通过计算机模拟典型强干扰,研究不同小波函数、分解层数及阈值方式下算法的去噪性能,并将其应用于矿集区实测大地电磁数据处理。实验结果表明,所提方法能较好地提取出叠加在微弱大地电磁信号上的大尺度强干扰的轮廓特征,视电阻率曲线更为光滑、连续,低频段的大地电磁数据质量得到了明显改善。     

辛几何模态分解方法及其分解能力研究

针对经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部特征尺度分解(Local Characteristic scale Decomposition,LCD)等方法的不足,提出了一种新的分析方法——辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)方法,该方法采用辛矩阵相似变换求解Hamilton矩阵的特征值,并利用其对应的特征向量重构辛几何分量(Symplectic Geometry Component,SGC),从而对复杂信号去噪的同时进行自适应分解,得到若干个SGC。通过仿真信号模型,研究了SGMD方法的分解性能、噪声鲁棒性,分析了分量信号的频率比、幅值比和初相位差对SGMD方法分解能力的影响。将SGMD方法应用于齿轮故障实验数据分析,结果表明SGMD方法能够有效地对待分解信号完成分解并剔除噪声信号。     

基于变分模态分解的模态参数识别研究

基于变分模态分解(VMD),提出一种新的结构模态参数识别方法:①通过自由振动试验或通过随机减量法从结构随机振动响应中获取结构自由衰减振动响应(FDR),并采用VMD方法从FDR中分解出结构模态响应;②通过经验包络法(EE)计算模态响应瞬时频率,并通过一种该研究新提出的方法计算模态响应瞬时阻尼比;③结构的模态振型向量可通过处理所有可用传感器得到的模态响应得到。瞬时模态频率和模态阻尼比可以捕获模态参数的任何瞬态变化。通过一系列数值和试验算例验证了该方法的有效性,突出了该方法的优势,并对该方法抗噪声性能进行了研究。研究表明,该方法适用于线性和非线性系统,且可用于识别具有密集模态和瞬态特性的系统。     

基于改进EMD方法的多分量信号分析

经验模式分解(EMD)是一种局部的,完全基于数据的自适应信号分解方法,非常适合于分析非平稳、多分量信号.针对经典EMD方法存在模式混淆,容易产生虚假频率分量的不足,该文提出了一种改进的EMD方法.该方法采用高阶极值点信息,通过逆向EMD筛选结果拟合最优包络均值.同时提出了一种基于正交性的筛选停止准则,保证分解结果的合理性.仿真信号和实测语音信号的实验结果证明了该方法的正确性和有效性,采用该方法能有效减小模式混淆,得到较为准确的分解结果.     

基于最大相关波形延拓的经验模式分解端点效应抑制方法

针对端点效应使经验模式分解（Empirical Mode Decomposition,EMD）结果出现畸变,严重影响算法精度的现象,提出了一种新的抑制经验模式分解端点效应的方法：最大相关波形延拓法。该方法借鉴匹配追踪算法思想,将信号端点处波形向信号内部平移,以找出与之最相似的波形,然后以最相似波形外侧的一段数据作为信号端点外数据的估计。利用仿真数据和某炼油厂风机轴瓦振动数据对最大相关波形延拓法进行了验证,结果表明该方法能够明显减小经验模式分解的端点效应,特别对周期信号和循环平稳信号有很好效果。同时,所提出的方法具通用性,能够减小数字滤波、小波分析等信号分析方法中端点效应对算法精度的影响,具有较大的理论意义和实用价值。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

机械振动信号内在模式的复杂性评估

针对机械振动信号非平稳特性,利用经验模式分解法将其分解为若干个内在的振荡模式（即基本模式分量）,从而使得不同的基本模式包含有不同的设备状态信息。借助近似熵的概念,可定理描述原始信号和各振荡模式的复杂性,实现对机械振动信号内在模式复杂性的定理评估。该方法不仅有助于揭示和认识转子系统的复杂动力学行为,还能有效地监测系统状态的早期变化,及时捕捉机组潜在的隐患,预防故障的升级恶化。工程应用实例表明,该方法可有效提取机组的故障信息,从而为机械设备状态监测和故障诊断提供一种行之有效的新方法。     

绝对位移直接求解虚拟激励法采用附加振型求解的理论研究

为提高已有绝对位移直接求解虚拟激励法的求解效率及精度,对结构支座节点附加大质量块并释放支座约束,采用基于附加振型的振型分解法进行求解,附加振型来源于附加大质量块。对附加振型、常规振型的振型特性和振型贡献及计算效率进行了理论分析,分析表明：通过构建少量附加振型就可精确捕获结构拟静位移,且只需采用与相对运动法同等数量的常规振型就可精确捕获结构动态相对位移,与Wilson位移输入模式的绝对位移振型分解法相比,在保证计算精度的条件下可大大减少绝对位移求解所需的振型数。此外,对附加振型绝对位移求解法阻尼误差进行了理论分析,指出了附加振型法不存在由于阻尼假定不同而引起的误差,计算精度及效率均优于基于完全法的绝对位移直接求解法。     

基于局域均值分解和Wigner高阶矩谱的机械故障诊断方法的研究

结合局域均值分解(Local mean decomposition, LMD)方法和Wigner高阶矩谱,提出了一种基于局域均值分解的Wigner高阶矩谱的机械故障诊断方法,该方法保留了LMD和Wigner高阶矩谱的所有优良性能,有效地抑制了Wigner高阶矩谱的交叉项的干扰。仿真结果表明,提出的方法优于直接Wigner高阶矩谱和Choi-Williams核滤波后的Wigner高阶矩谱。最后,将本文方法应用到轴承故障诊断中,实验结果进一步验证了该方法的的有效性。     

基于解析模态分解和希尔伯特变换的模态参数辨识新方法

针对航天器结构低频、密频的模态参数辨识问题,提出一种将解析模态分解(AMD)与希尔伯特变换(HT)相结合的模态辨识方法(AMD+HT),根据结构上任意一点的脉冲响应信号,对系统结构的频率和模态阻尼比进行参数识别。以箱型卫星模型为例,分别对固定状态下卫星帆板和卫星整体结构的低阶模态进行模态辨识,并与LMS数据采集系统分析结果和ANSYS有限元仿真结果对比,验证了该方法对低频、密频结构模态辨识的正确性和优越性。     

基于分段多项式的局部特征尺度分解方法及应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中两极值点连线在极值点处一阶微分不连续,引起分解精度降低问题,提出新非平稳信号分析方法-基于分段多项式的局部特征尺度分解(Piecewise Polynomial based Local Characteristic-scale Decomposition, PPLCD)。用分段多项式取代LCD中直线连接,且均值曲线插值点由相邻3个同类极值点构成的多项式计算产生。通过仿真信号将PPLCD与LCD对比,结果表明,PPLCD在提高分量正交性、精确性等具有一定优越性;由转子碰摩故障诊断表明该方法的有效性。