非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。     

基于形态学的一种齿轮故障微弱信号提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（SVD）、局域均值分解（LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

基于形态学的一种齿轮故障特征提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（ SVD）、局域均值分解（ LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

基于分段幂函数的LMD方法及其在轴承故障诊断中的应用

局域均值分解是一种将复杂的多分量信号分解为若干个乘积函数的方法,每个PF分量为一个单分量调频调幅信号。传统LMD算法对所有极值点集利用滑动平均的方法计算局域均值函数和局域包络函数,易造成过平滑现象,运算量增大,并影响分解精度。本研究对传统LMD方法进行了改进,采用分段幂函数法分别计算上下极值点集的包络线,得到的包络线具有良好的光滑性和稳定性,进而计算局域均值函数和局域包络函数,避免了传统方法过平滑现象,提高了运算效率与精确度。通过对仿真信号分析和轴承故障诊断实验,结果验证了本研究所设计方法的有效性。     

基于DT-LMD机床轴承故障信号提取研究

为了准确得到机床故障轴承的运行状态,结合双树复小波变换(Daul-Tree Complex Wavelet Transform,DT-CWT)和局域均值方法 (LMD)分解的方法提出了一种新的方法 (DT-LMD),对轴承故障振动信号提取,首先利用双树复小波变换对信号进行降噪和重构,其次通过局域均值方法分解,再次利用该方法对机床轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值;最后判断轴承的故障类型。     

基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

基于LMD-PCA和样本熵的瓷支柱绝缘子故障诊断

为了对变电站瓷支柱绝缘子状态进行有效评估,提出了一种将局域均值分解方法(Local Mean Decomposition,LMD)、主成分分析方法(Principal Components Analysis,PCA)和样本熵相结合的瓷支柱绝缘子振动信号故障诊断方法。首先,将瓷支柱绝缘子振动信号进行局域均值分解,得到PF(乘积函数)分量,利用主成分分析方法,提取主PF分量;其次,计算其样本熵作为表征瓷支柱绝缘子状态的特征向量,利用支持向量机(SVM)对输入的向量进行分类训练;最后,将测试样本特征向量输入训练好的SVM中进行分类识别。结果表明,该方法能有效提取瓷支柱绝缘子的故障特征并实现准确的故障分类。     

基于改进LMD的齿轮故障特征增强方法

针对齿轮发生故障时信号的调制特点,采用相关分析对局部均值分解(Local Mean Decomposition,LMD)解调方法进行改进,并提出了基于改进LMD的故障特征增强方法。将该方法应用于实际齿轮断齿故障特征的提取,结果表明:该方法能有效地增强齿轮故障特征,其增强效果优于传统的Hilbert包络解调分析方法。     

一种簇绒机故障诊断方法的研究

针对簇绒机的故障诊断问题,提出采集滚动轴承的振动信号进行故障诊断.采集的实际振动信号中往往存在噪声信号,需要去掉噪声后再进行诊断.局部均值分解(local mean decomposition,LMD)方法是一种新型的信号自适应分解的时频分析方法,并且已经应用到故障诊断中.为了进一步提高LMD的性能,提出采用分段Hermite插值替代原始的滑动平均方法.提出一种新的故障诊断方法,首先应用小波包变换分析方法,去除信号中夹杂的噪声,然后使用改进后的LMD方法进行信号的分解,选择相关系数较大的PF分量进行希尔伯特变化包络谱分析,成功提取相关的故障特征.通过仿真实例的分析和对滚动轴承的实际故障数据进行故障诊断,证明了该方法在故障诊断应用中的有效性.     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

机械合金化制备Fe-Cr-Mn-N奥氏体不锈钢厚熔覆涂层的研究

本实验采用机械合金化方法制备了Fe₇₆Cr₁₂Mn₁₂N合金粉末,研究其机械合金化过程,并对机械合金化的机制进行探讨。研究表明,棒磨4小时时粉末就可以完全合金化,并且随着棒磨时间增加,衍射峰逐渐宽化,衍射强度逐渐降低。粉末颗粒形貌也逐渐类球形化。机械合金化得到的非球形固溶体粉末也可用于激光熔化沉积(LMD)增材制造技术,解决了LMD对球形粉末的局限性,机械合金化粉末通过LMD技术得到的厚熔覆涂层具有较好的耐蚀性,其物相结构是BCC+FCC的双相结构,同时在打印过程中有Cr₂N生成,维氏硬度最高达到456.3HV。