基于LCD与峭度-能量比准则的滚动轴承故障诊断研究

针对局部特征尺度分解在滚动轴承故障诊断中出现未筛选有效分量的问题,通过峭度-能量比准则对LCD分解产生的内禀尺度分量(ISC)进行了筛选,提出了一种基于LCD分解与峭度-能量比准则的方法。首先对采集的滚动轴承振动信号进行了LCD分解,得到了不同能量的ISC分量,运用峭度-能量比准则筛选了有效的ISC分量;再计算了筛选后有效的ISC分量的能量熵和多尺度熵,并将计算的结果融合后构建了特征向量;最后通过支持向量机(SVM)的故障分类器,实现了滚动轴承的故障诊断。实验结果表明:采用峭度-能量比准则提取有效分量减少了冗余分量,滚动轴承内圈故障和外圈故障诊断准确率有了明显提高。     

基于LCD和局部Hilbert边际能量谱的滚动轴承故障特征提取方法

在定义局部Hilbert边际能量谱的基础上,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和局部Hilbert边际能量谱的滚动轴承故障特征提取方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后对各个ISC分量进行Hilbert解调得到信号的时频分布。根据信号时频分布中能量分布确定频率段的下限和上限频率,从而得到相应的局部Hilbert边际能量谱,计算该频率段内信号的能量并将其作为故障特征参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息。     

LCD方法的改进及其在滚动轴承故障诊断中的应用

对局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法进行了改进,分析了低频ISC分量(Intrinsic Scale Component,简称ISC)出现驻点的原因,提出了一种改进驻点的局部特征尺度分解方法,仿真信号的分析结果验证了改进的LCD方法的优越性。在此基础上将改进的LCD方法与包络谱相结合应用于滚动轴承故障诊断,采用改进的LCD方法对滚动轴承振动信号进行分解得到若干个ISC分量,对ISC分量进行包络谱分析从而识别滚动轴承的工作状态,实验数据的分析结果表明该方法的有效性。     

基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究

为了实现齿轮故障的精确诊断,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于局部特征尺度分解(LCD)和数学形态滤波的齿轮故障诊断方法。首先,对齿轮振动信号进行局部特征尺度分解,得到若干内禀尺度分量(ISC);然后,依据峭度准则,选取峭度最大的ISC作为故障特征分量,再运用形态差值滤波器对其进行滤波;最后,对滤波结果求取频谱并进行故障诊断。通过对仿真结果和实验数据的分析,说明了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取故障冲击特征的能力,能够有效地实现齿轮故障的精确诊断。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

总体局部特征尺度分解的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition, ELCD)的排列熵及相关向量机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Instrinsic Scale Component, ISC);其次,根据分解后ISC分量的峭度值选取主ISC分量,计算主ISC分量的排列熵并将其组合成特征向量;最后,将特征向量输入相关向量机进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

基于LCD互近似熵和相关向量机的轴承故障诊断方法

针对滚动轴承的故障诊断问题,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相关向量机(Relevance Vector Machine,RVM)的滚动轴承故障诊断方法。该方法首先利用LCD将轴承振动信号分解成若干个具有不同频率成分的内禀尺度分量(Intrinsic Scale Component,ISC);然后通过能量筛选出包含主要故障信息的ISC分量,计算其CAE并作为故障特征向量以体现不同的运行状态;最后将故障特征输入RVM进行故障识别。滚动轴承不同类别和不同损失程度故障实验验证了该方法的有效性。     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD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ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

基于LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于SK-CICA和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障能量小,易受背景噪声干扰的问题,提出了基于谱峭度(SK)和约束独立分量分析(CICA)相结合的方法来提取故障特征。首先,对信号的快速谱峭度图分析得到带通滤波的优化参数,以实现降噪作用;然后,将滤波后的信号作为CICA的输入信号,依据滚动轴承故障特征频率建立参考信号,提取出目标振动信号;最后,利用Teager能量算子解调方法得到信号的能量谱,识别故障特征。     

基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法

为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

基于LCD基本尺度熵的齿轮故障RVM识别

针对齿轮故障振动信号非线性、非平稳性等特点,以及其故障特征提取较为困难的实际,提出了基于LCD基本尺度熵的齿轮故障特征提取方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行自适应分解,获取原始信号不同尺度分量;根据基本尺度熵能有效区分不同故障信号的复杂度,计算LCD分解所得内禀尺度分量(ISC)基本尺度熵,获得原始信号多个尺度的复杂度特征作为齿轮不同故障下的特征参数;将该特征参数输入相关向量机(RVM)分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

基于HFHA LCD的液压泵振动信号降噪方法研究

针对局部特征尺度分解LCD(Local Characteristic Scale Decomposition)降噪方法处理非平稳机械振动信号存在的缺点,提出一种基于高频谐波加入 局部特征尺度分解HFHA LCD(High Frequency Harmonic Added Local Characteristic Scale Decomposition)的方法来自适应实现液压泵非平稳振动信号降噪。该方法首先向原信号中加入高频谐波,然后对混合信号进行LCD分解,再以各内禀尺度分量ISC（Intrinsic Scale Component）与原信号的相关系数为准则选取有用ISC分量,最后以有用ISC分量重构原信号,达到降噪目的。仿真信号分析结果表明,HFHA LCD较LCD可以有效抑制模态混叠现象,提高分解精度,HFHA LCD降噪方法的效果也明显优于LCD降噪方法,基于HFHA LCD的液压泵振动信号降噪结果验证了该方法的有效性。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于LCD关联维数和SVM的自动机故障诊断

针对自动机振动信号的非线性与短时冲击特性,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)、关联维数和支持向量机(Support vector machine,SVM)三者相结合的故障诊断方法。首先,对自动机振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic scale component,ISC)。然后,将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几阶ISC分量,计算其关联维数并组成特征矩阵。最后,将特征矩阵输入SVM进行分类识别。自动机故障诊断实验表明,该方法能够较准确的识别自动机常见故障,为自动机故障诊断提供了新方法。     

基于LCD-RQA的滚动轴承故障诊断与健康评估

针对滚动轴承振动信号具有非线性和非稳态的特点,故障特征精确提取困难的问题,提出了一种基于局部特征尺度分解(LCD)和递归定量分析(RQA)的滚动轴承故障诊断与健康评估方法.首先,利用LCD将滚动轴承振动信号分解为若干个内禀尺度分量(ISC);然后,对各ISC分量进行相空间重构并构建递归图;最后,通过提取递归图的定量特征...