基于改进LMD方法的故障转子振动分析

针对三次样条插值(cubic spline interpolation,简称CSI)局部均值分解(local mean decomposition,简称LMD)方法在处理故障振动信号时准确性较低的缺陷,提出了一种集成自适应波形匹配、三次B样条插值(cubic Bspline interpolation,简称CBI)以及正交性判据(orthogonality criterion,简称OC)的LMD改进方法。首先,利用自适应波形匹配技术对原始信号进行数据延拓;然后,采用CBI代替CSI求解信号的上、下包络线,进而求得局部均值函数和包络估计函数;最后,以OC作为乘积函数(product function,简称PF)内部迭代过程结束的判断条件,形成一种改进的CBI-LMD方法。仿真分析与实验验证的结果表明,该改进方法具有更好的信号分解性能,能够准确有效地提取出复杂非平稳信号的重要特征。     

有理Hermite插值的LMD方法在复合故障诊断中的应用研究

针对复合故障信号的多分量耦合调制特征及局部均值分解方法存在的包络误差现象,提出了一种基于有理分段三次Hermite插值的LMD方法,该方法通过计算"最优参数区间"确定每个小区间的最优参数,选择"最优参数区间"中的任意参数调整插值样条的形状,使插值样条无限逼近于被插值目标,提高了包络曲线的拟合精度和准确度。采用仿真数据对比的形式,验证了有理Hermite插值LMD方法的逼近能力和高拟合精度。将该方法应用到齿轮和滚动轴承复合故障信号的诊断中,再次证明了该方法的高拟合精度,实现了对复合故障信号的准确诊断。     

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。     

基于时间序列差分特性的LMD端点效应处理方法

局部均值分解方法在计算过程中会使信号在端部产生端点效应,为减弱LMD中存在的端点效应,提出了一种基于信号时间序列差分特性的端点延拓方法。将信号曲线看作一段离散函数,利用该函数段末端的一阶差分和二阶差分的符号判断曲线的特征和发展趋势,根据具体情况判定所延拓极值点的值。使用该方法对仿真信号和实验轴承外圈故障和内圈故障信号进行了分解,并将其结果与镜像延拓改进的LMD方法分解的结果进行了对比。该方法在分解中的良好表现验证了其在信号分析中的有效性。     

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。     

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。     

基于BITD和同态滤波解调的齿轮故障诊断方法

针对齿轮故障振动信号的非平稳特征以及本征时间尺度分解(ITD)方法的缺点,提出了B样条改进的本征时间尺度分解(BITD)和同态滤波解调相结合的故障诊断方法。首先采用BITD方法对齿轮振动信号进行分解,将其分解为若干个合理旋转分量之和,然后用相关系数筛选出最能表征故障信息的合理旋转分量进行同态滤波解调来提取故障特征。仿真信号与齿轮故障诊断工程实例分析验证了该方法的有效性。     

基于改进局部均值分解和流形学习的齿轮故障诊断研究

为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。     

基于支持向量机的BS-EM D端点效应消除方法

分析了B样条经验模式分解(B-spline empircal mode decomposition,简称BS-EMD)的端点效应问题,指出了现有延拓方法的不足,提出了一种基于支持向量机的B样条经验模式分解端点效应消除方法.首先采用支持向量机对原始信号进行延拓;然后用B样条插值方法对延拓后的数据进行插值计算得到信号的均值...     

基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用

针对齿轮升降速过程中故障振动信号为多分量的调制信号以及故障特征频率随转速变化的特点,将局部均值分解（LMD）与阶次跟踪分析相结合,提出了一种新的齿轮故障诊断方法。首先采用阶次重采样将齿轮的时域振动信号转换为角域平稳信号,然后对角域信号进行LMD分解,得到若干个乘积函数（PF）分量,最后对各个PF分量的瞬时幅值进行频谱分析来提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验振动信号的分析可知,该方法能有效地提取齿轮故障特征。