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。     

局部均值分解在齿轮故障诊断中的应用研究

局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。本文利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性     

基于局部均值分解的边际谱在滚动轴承故障诊断中的应用

局部均值分解（Local Mean Decomposition,简称LMD）将复杂的多分量信号自适应地分解为有限个乘积函数（PF）的和,在计算了各个分量的瞬时幅值（IA）和瞬时频率（IF）后,可以计算出基于LMD的边际谱。针对直接法求取瞬时频率存在端点误差大问题,提出了一种改进的直接求取瞬时频率的方法;提出了基于LMD的边际谱的滚动轴承故障诊断方法,将该方法应用于实际滚动轴承故障诊断中,结果表明该方法能有效地提取出滚动轴承的故障特征频率,从而确定故障部位。     

基于局部均值分解的滚动轴承故障诊断新方法

针对滚动轴承振动信号的非平稳特性和调制特点,提出了一种基于Wigner-Ville谱熵的特征提取新方法：运用局部均值分解算法将轴承振动信号分解为若干个乘积函数,并基于Wigner-Ville分布描述主要乘积函数分量的时频能量特征。在此基础上,结合Shannon熵构造一种新的特征提取指标—Wigner-Ville谱熵,并将其构成的特征向量输入到最小二乘支持向量机,实现了轴承不同工作状态和故障程度的自动分类与诊断。仿真和实例分析证明了方法的有效性。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

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。     

快速自适应局部均值分解及轴承故障诊断应用

提出了一种新的非平稳信号处理方法——快速自适应局部均值分解(Fast and Adaptive Local Mean Decomposition,FALMD)。采用顺序统计滤波器求取信号上下包络线的均值来获得局部均值函数及包络估计函数,然后将信号分解为若干乘积函数(Product Function,PF)分量及一个残余分量。该算法一方面改变了局部均值分解(Local Mean Decomposition,LMD)严格的终止条件,提高了运算速率,另一方面减少了对极值点的依赖,在一定程度上抑制了端点效应。仿真信号和实验信号分析证明了该方法在非平稳信号自适应分解中的有效性,成功地提取出了滚动轴承的故障特征。     

局部均值分解与经验模式分解的对比研究

摘要：介绍了一种新的非平稳信号分析方法——局部均值分解（Local mean decomposition,简称LMD）。 LMD方法可以自适应地将任何一个复杂信号分解为若干个具有一定物理意义的PF（Product function）分量之和,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,从而获得原始信号完整的时频分布。本文首先介绍了LMD方法,然后将LMD方法对仿真信号进行了分析,取得了满意的效果,最后将其和经验模式分解EMD（Empirical mode decomposition）方法进行了对比,结果表明在端点效应、迭代次数等方面LMD方法要优于EMD方法。
     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

基于瞬时故障特征频率趋势线和故障特征阶比模板的变转速滚动轴承故障诊断

针对难以从滚动轴承的时频分布中提取瞬时转频分量的问题,本文利用由轴承包络时频谱中提取的瞬时故障特征频率替代传统瞬时转频实现重采样,进而基于故障特征因子与转频阶比边带构造故障特征阶比模板以实现变转速运行模式下滚动轴承故障诊断。其具体算法由以下四个部分组成：首先,联合应用谱峭度滤波算法与短时傅里叶变换得到能够突出瞬时故障特征频率的包络时频谱;其次,提出基于幅值重调的峰值搜索算法对瞬时故障特征趋势线进行提取;再次,以瞬时故障特征频率趋势线为基础对原信号进行故障相角域重采样并得到故障特征阶比谱;最后,根据被监测轴承的故障特征因子构造故障特征阶比模板对滚动轴承的运行状态与故障类别进行判断。仿真算例和应用实例将对该算法的有效性予以证明。     

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解（Local mean decomposition,简称LMD）和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量（Product function,简称PF）之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换（AMMG）方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。     

基于LMD的能量算子解调方法及其在故障特征信号提取中的应用

. 局域均值分解是将多分量调频调幅信号分解为一系列单分量调频调幅信号的有效时频分析方法。为提取故障信号的特征,提出了基于局域均值分解的能量算子解调方法,局域均值分解将复杂的多分量信号分解为若干个乘积函数的线性组合,再通过能量算子解调方法可求取每个乘积函数的幅频信息,从而可进一步获取故障信号的时频分布或提取其故障特征。为提高分析精度,提出了特征趋势正弦函数数据延拓方法以有效克服端点效应的影响。实验信号的分析结果表明,所提出的基于局域均值分解的能量算子解调方法能有效提取机械故障振动信号的特征。     

基于LMD和Lempel-Ziv指标的滚动轴承故障损伤程度研究

摘要：针对不同转速下,不同损伤程度的滚动轴承内、外圈故障,提出一种基于局域均值分解（Local Mean Decomposition,LMD)和Lempel-Ziv指标的滚动轴承损伤程度识别方法。LMD 方法是一种新的自适应时频分析方法,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),再结合峭度条件找出蕴含故障信息的最优PF分量,计算其PF函数和包络的Lempel-Ziv的归一化值,再加权求和得到最终的Lempel-Ziv综合指标,表征了不同故障的损伤程度。同时还研究了在不同转速下的内、外圈故障轴承的Lempel-Ziv指标的分布规律,使结论更具有普遍性。经实验结果验证,此方法能有效地应用于滚动轴承的故障程度的诊断。