全矢局部特征尺度分解及其在转子碰摩故障特征提取中的应用

为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。     

基于全矢局部均值分解的滚动轴承故障诊断方法

局部均值分解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,将两者结合形成全矢局部均值分解方法,将局部均值分解得到的PF分量进行全矢谱融合分析,这样既可将信号彻底分解,又可保证其完整性,并通过滚动轴承试验验证了该方法的可行性。     

改进局部均值分解的齿轮箱复合故障特征提取

在强噪声环境下,针对局部均值分解(Local Mean Decomposition,LMD)出现的模态混叠现象,提出了总体局部均值分解方法(Ensemble Local Mean Decomposition,ELMD),但ELMD中所添加的白噪声不能完全被中和,这会导致PF分量受到所加白噪声的影响,导致重构误差增大。因此,提出基于PE-CELMD(Permutation Entropy-Complementary Ensemble Local Mean Decomposition)的齿轮箱复合故障诊断方法,该思路是在ELMD的基础上通过添加成对白噪声再结合排列熵(PermutationEntropy,PE)的方法优化LMD。将该方法应用于仿真信号和实测信号,并通过与LMD、CELMD对比,结果表明,PE-CELMD方法是一种有效的复合故障特征提取方法。     

局部均值分解方法在调制信号处理中的应用

为了提取多分量调制信号的调制信息,研究了一种信号分析方法——局部均值分解(local mean decomposition,简称LMD)方法。LMD方法首先将一个多分量的调制信号自适应地分解成若干个具有一定物理意义的PF(product function)分量,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,然后求出每个PF分量的瞬时幅值与瞬时频率,从而获得原信号完整的调制信息。本文用LMD方法对仿真信号以及齿轮故障振动信号进行了分析,结果表明该方法能有效地提取出信号的调制信息。     

全矢传递瀑布图的建立及其在转子启停状态分析中的应用

基于目前全信息技术中表征瞬态信号的手段,利用全矢谱技术的快速算法,引入相位信息,对转子多个截面的信息进行融合,形成全矢传递瀑布图.该图描述了轴系随转速变化下某一单频的状态变化.经过对机组信号的分析验证表明,全矢传递瀑布图在升、降速过程中对转子的监测信息描述更为完善,为及时发现故障隐患提供了更可靠的依据.     

基于ENLMD与Hilbert包络谱的轴承运行状态故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法实现过程中只部分抑制了端点效应和模态混叠的问题提出集成噪声重构局部均值分解(Ensemble Noise-reconstructed Local Mean Decomposition,ENLMD)方法.该方法对经过LMD分解后待处理的PF分...     

局部特征尺度分解与局部均值分解的对比研究

局部特征尺度分解与局部均值分解是两种优异的自适应分解方法,在旋转机械故障诊断领域应用十分广泛,为了对比两者的计算流程及性能的差异,针对均值曲线的获取及分解的终止条件进行了对比研究;指出局部均值分解方法在均值点定义、插值方法及纯调频准则等方面存在不足。通过仿真信号和轴承内圈故障振动信号分析,验证了局部特征尺度分解较局部均值分解优越,但后者的部分思想也可以供前者借鉴。     

有理Hermite插值局部均值分解方法及其往复压缩机故障诊断应用

针对往复压缩机振动信号的强非平稳特性,提出了一种基于有理Hermite插值的局部均值分解(Local mean decomposition,LMD)方法。结合有理Hermite插值法的保形特性和曲线形状随参数可调特性,以其构建极值点间局部包络曲线。提出以极值对称点为依据的局部包络线优选方法,进而提高局部均值与包络估计的拟合逼近精度。给出了有理Hermite插值LMD方法的算法与流程。利用仿真数据,通过与不同插值方法比较,验证了有理Hermite插值LMD方法拟合逼近性能的优越性。以往复压缩机轴承故障振动信号为研究对象,应用有理Hermite插值LMD方法实现了轴承间隙大故障的准确诊断,验证了该方法对强非平稳信号的适用性。     

局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

全矢LMD能量熵在齿轮故障特征提取中的应用

齿轮故障信号具有非线性、非平稳特征,齿轮发生故障时,信号的能量结构随之改变,在不同的频带内能量不同。传统方法采用局部均值分解(LMD)提取振动信号的能量熵,将能量熵指标作为故障评判标准进行故障分类,依靠单一传感器信息源进行故障诊断,因而容易造成误诊、漏诊。全矢LMD能量熵法融合了双通道同源信息的回转能量,可降低故障误判率。通过实验模拟齿轮正常、齿根裂纹、断齿、缺齿等4种状态,验证了全矢LMD能量熵作为故障特征能达到很好的故障分类效果。     

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。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于LMD包络谱熵及SVM的天然气管道微小泄漏孔径识别

针对管道泄漏信号的非平稳特征以及管道泄漏孔径大小难以识别的问题,提出一种基于局域均值分解包络谱熵及支持向量机的识别方法。该方法对管道泄漏信号进行局域均值分解,得到若干个瞬时频率具有物理意义的乘积函数(production Function, PF)分量;计算各PF分量的峭度值并据此选出包含主要泄漏信息的分量作为主PF分量,对这些分量进一步采用小波包分解能量法进行分析并重构;再对重构后的主PF分量进行希尔伯特变换求取包络谱,结合信息熵的概念提出包络谱熵并计算熵值;将归一化包络谱熵作为泄漏信号特征输入支持向量机分类器中,用以区分不同的泄漏孔径,完成对泄漏孔径的识别。通过试验采集大量的管道泄漏信号进行处理及分析,试验结果表明该方法能有效识别不同泄漏孔径类别。     

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。     

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。
     

局域均值分解法在轴承故障诊断中的应用

局域均值分解法将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,每个PF分量由1个包络信号和1个调频信号相乘得到,包络信号就是该PF的瞬时幅值,而PF的瞬时频率可以由纯调频信号求出。进一步将所有PF分量的瞬时频率和瞬时幅值相组合,即可得到原始信号的时频分布。通过对故障轴承信号的分析表明,该方法能清晰地提取轴承故障特征。