基于LMD的时频分析方法及其机械故障诊断应用研究

如何有效地从振动信号中提取有用信息成分一直以来都是故障诊断领域研究的热点。局部均值分解(Local Mean Decomposition, LMD)是一种新的信号自适应分解方法。本文研究基于LMD的瞬时频率求解、时频分析及其故障诊断的应用。LMD的时频分析方法成功提取出实验室转子碰摩特征以及实际低速变载轧机齿轮局部故障信息,这证实了方法的有效性。     

基于局部均值分解的循环频率和能量谱在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法.采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量...     

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。     

基于有理样条函数的局部均值分解方法及其应用

局部均值分解(Local mean decomposition,简称LMD)方法通过滑动平均方法平滑局部均值线段和局部幅值线段得到局部均值函数和包络估计函数,从而实现信号的分解.但滑动平均方法会产生相位差以及平滑步长的选择具有一定的主观性,这样会使分解结果不理想.对LMD方法进行了改进,采用有理样条插值函数(Rational spline)求取信号的上下包络线,然后通过上下包络线计算信号的局部均值函数和包络估计函数,克服了原LMD方法中采用滑动平均方法带来的缺陷.通过对仿真信号以及滚动轴承故障振动信号的分析,表明改进后的LMD方法优于原LMD方法.     

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。     

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     

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。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

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。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

改进LMD和LS-SVM在小电流接地故障选线中的应用

提出一种改进的局部均值分解(LMD)和最小二乘支持向量机(LS-SVM)相结合的小电流接地故障选线新方法。针对LMD存在端点效应的缺陷,提出了一种最小平方距离相关的改进算法,对端点效应进行了有效的抑制;LS-SVM在SVM基础上,用二次损失函数代替不敏感损失函数,用等式约束代替不等式约束,降低了计算复杂度。与径向基神经网络(RBF)方法的分类效果对比,验证了LS-SVM在非线性模式识别方面的优势。实验表明该方法能够很好地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。     

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。     

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。     

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。