波形曲率延拓在局域均值分解中的应用

局域均值分解（LMD）是一种能够将复杂的调幅调频信号自适应地分解为一系列单分量的调幅调频信号的处理方法,其分解过程存在端点效应,分解结果有一定程度的失真。针对此问题,提出根据波形曲率特征对信号端点进行极值延拓,通过特征波的曲率波动来筛选与边界波形最为相似的数据段,在此基础上将波形匹配曲率估计应用于LMD分解过程中, 并与镜像延拓及自适应波形匹配延拓方法相比较,验证了所提方法的优点。使用仿真信号与实际的齿轮故障数据进行试验与检测,结果表明,所提方法可以有效改善LMD分解过程的端点效应,提高分解精度。     

基于自适应波形匹配延拓的局部均值分解端点效应处理方法

局部均值分解(LMD)能将复杂的信号自适应地分解成若干个具有物理意义的单分量信号,但是在其实现过程中会产生端点效应,使结果失真。在详细分析了LMD产生端点效应的原因后,提出了自适应波形匹配延拓法来解决端点效应。该方法充分考虑了信号的内在规律与边缘处的变化趋势,使延拓更加合理,且具自适应性。对仿真信号与实际工程信号进行了分析,结果表明该方法能有效抑制LMD分解的端点效应。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

LMD时频分析方法的端点效应在旋转机械故障诊断中的影响

为评估局域均值分解(LMD)受端点效应影响的程度,提出了一种基于能量的端点效应评价指标,并将LMD的端点效应与经验模态分解(EMD)的端点效应进行了比较。因包络线的定义方法不同,LMD在端点附近未定义的包络线较短,端点效应的程度也较轻。提出的端点效应镜像延拓抑制方法经仿真证明效果良好。将LMD应用于提取转子裂纹的故障特征,可获得满意的实验结果。     

基于内积延拓LMD的机床滚动轴承故障诊断方法研究

针对机床加工中常见的滚动轴承故障特性,提出了一种基于内积延拓LMD的故障诊断方法。该方法针对LMD方法本身的端点效应缺陷,采用内积延拓的方法对分析信号左右两端点进行匹配延拓以抑制端点效应。首先建立原始信号的特征波形和相似波形并计算其对应的积分值;其次通过计算相似波形和特征波形积分差值并从信号的左端开始迭代运算以寻找最优匹配波形;最后将最优匹配波形延拓到对应的信号左右两侧以完成极值点的端点延拓。该方法充分考虑了信号内部波形的特点以及内部趋势运行规律,使得延拓后的波形可以很好地保持信号左右两端原有的趋势。实验采用滚动轴承故障信号进行分析,实验结果表明该方法可以很好地抑制LMD端点效应,并可以有效地提取滚动轴承故障特征实现故障诊断,可以运用到机床轴承的故障诊断中。     

基于改进LMD和IED-SampEn的齿轮故障特征提取方法

提出基于改进的局部均值分解(Local mean decomposition,LMD)和瞬时能量分布(Instantaneous energy distribution,IED)-样本熵(Sample entropy,Samp En)的齿轮故障特征提取方法。针对LMD存在的端点效应问题,提出最大相似系数法改进的LMD方法,该方法通过在信号内部寻找与两端指定波段相似系数最大的波段,来实现端点效应的改善。进行仿真验证,结果表明该方法能有效改善LMD的端点效应问题。采用改进的LMD方法分解信号得到瞬时幅值函数,由此可以获得信号的瞬时能量分布,将其作为样本熵输入获得IED-Samp En,通过试验研究并与PF-Samp En进行对比,结果表明IED-Samp En能够合理地、有效地反应齿轮的故障状态,作为齿轮振动信号的特征矢量具有典型性,可以作为一种有效的故障特征。     

基于对称差分能量算子解调的局部均值分解端点效应抑制方法

局部均值分解(Local mean decomposition,LMD)在分析非线性、非平稳信号时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是局部均值分解过程中的端点效应会导致分解结果失真,针对这一问题,从振动信号解调分析角度出发,提出基于对称差分能量算子解调的局部均值分解端点效应抑制方法,采用局部均值分解方法将原信号分解为一系列单分量信号,然后对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,从而获得原信号的时频分布。为评价该端点效应抑制方法的抑制效果,定义一种评价标准,通过与其他两种端点效应抑制方法进行比较,验证该方法的优越性。仿真和试验结果表明该方法能够有效抑制LMD端点效应,实现旋转机械故障的有效诊断。     

改进的LMD及在齿轮故障诊断的应用

作为机械传动系统的关键部件之一,齿轮的工作状态直接影响设备的性能,其故障在传动系统故障中占有很大的比例。针对齿轮故障信号大多为非平稳调制信号的特点,提出一种基于样条和边界特征延拓的改进LMD算法,通过采用三次样条插值,对信号的上下极值点进行插值以获得上下包络线,并采用边界局部特征尺度延拓的方法以减少端点效应问题,提高了分解精度和计算效率。仿真信号和实验平台故障数据的仿真研究表明,改进LMD算法分解后的PF分量与理想值相比误差更小,分解时间更短,能准确地分析出齿轮的故障特征。     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

基于LMD和增强包络谱的滚动轴承故障分析

针对滚动轴承发生故障时振动信号幅值分布的峭度和歪度都会发生变化的特点,提出基于峭度-歪度的局部均值分解分量筛选准则,将峭度值和歪度绝对值最大的分量筛选出来并重构故障信号,以达到降噪的目的。对降噪后的信号进行增强包络谱分析,得到故障的特征频率。应用提出的新方法对实测的滚动轴承外圈、滚动体和内圈发生故障时的振动信号分别进行了分析。结果表明,基于峭度-歪度的局部均值分解分量筛选准则有效地降低了信号中的噪声,在此基础上应用增强包络谱有效地减少带内噪声影响,从而使故障特征信息凸现出来,有利于对滚动轴承的各种故障进行诊断。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。
     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition

Essentially the fault diagnosis of roller bearing is a process of pattern recognition. However, existing pattern recognition method failed to capitalize on the nature of multivariate associations between the extracted fault features. Targeting such limitation, a new pattern recognition method – variable predictive model based class discriminate (VPMCD) is introduced into roller bearing fault identification. The VPMCD consider that all or part of the feature values will exhibit interactions in nature and these associations will have different performances between different classes, which is always true in practice when faults occur in roller bearings. Target to the characteristics of non-stationary and amplitude-modulated and frequency-modulated (AM–FM) of vibration signal picked up under variable speed condition, a fault diagnosis method based upon the VPMCD, order tracking technique and local mean decomposition (LMD) is put forward and applied to the roller bearing fault identification. Firstly, LMD and order tracking analysis method are combined to extract the fault features of roller bearing vibration signals under variable speed condition; Secondly, the feature values are regard as the input of VPMCD classifier; finally, the working condition and fault patterns of the roller bearings are identified automatically by the output of VPMCD classifier. The analysis results from experimental signals with normal and defective roller bearings indicate that the proposed fault diagnosis approach can distinguish the roller bearing status-with or without fault and fault patterns under variable speed condition accurately and effectively.     

基于小波变换的发动机噪声诊断

提出了一种发动机噪声故障诊断的新方法。该方法在分析故障产生机理和噪声信号特征的基础上,构造一种新型的小波—指数衰减型小波函数,应用它对发动机噪声信号进行处理,提取表征故障的间歇性撞击声信号特征;为了获得可靠的诊断结果,给出发动机正常噪声和故障噪声的复合假设,构造相应统计量进行假设检验判决,检测故障。试验验证表明,该方法能有效地诊断摩托车发动机存在的活塞击缸故障。     

周期能量与优化LMD结合的轴承故障诊断方法

为了提高轴承故障诊断准确率,缩短神经网络训练时间,将周期能量特征和优化的局域均值分解(local mean decomposition,简称LMD)特征结合,提出了一种新的轴承故障诊断方法。首先,采用形态滤波法对振动信号去噪;其次,以轴承一个旋转周期采样点数为标准,对振动信号进行截取,提取周期能量特征和LMD特征;然后,对提取的特征进行u律压扩和滑动平均优化处理;最后,设计两个同精度神经网络,采用经优化和未优化的特征对设计好的RBF神经网络进行训练,用训练好的神经网络进行故障诊断。实验结果表明,神经网络收敛迭代次数减少了50次,诊断正确率提高了10%,提高了轴承故障诊断正确率,缩短了神经网络训练时间。     

循环域解调方法在滚动轴承故障诊断中的应用

讨论循环平稳信号的循环自相关函数特性，指出循环自相关函数不为零的循环频率对应着信号的周期成分。基于调幅和调频信号模型推导出循环域解调方法，通过扫描循环频率域使调制源(故障)信息解调在循环域的低频段和高频段。利用高频段无调制源交叉项的特点，对滚动轴承故障进行诊断，有效地提取出外圈、内圈和滚动体的故障特征。