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。     

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     

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.     

基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法

针对滚动轴承振动信号通常具有非线性与低信噪比特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态学分形维数的滚动轴承故障诊断方法。采用LMD将滚动轴承振动信号分解为若干个乘积函数（Product Function,PF）分量,计算包含有滚动轴承故障特征的PF分量形态学分形维数,并将其用作特征量判断滚动轴承工作状态及故障类型。实验分析结果表明,该方法能有效用于滚动轴承的故障诊断。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

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...     

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。       

基于LMD的谱峭度方法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调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

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。     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

基于频谱编辑和调制信号双谱的齿轮裂纹故障诊断

齿轮产生裂纹故障时,其振动信号中的周期性故障冲击成分易被其他旋转部件的谐波信号以及背景噪声淹没,导致故障特征难以提取。针对这一问题,首先用改进的频谱编辑方法对原始信号中谐波分量进行抑制,提高信噪比;然后对编辑后的信号进行双谱分析,采用相邻切片融合平均的方法对双谱进行降噪,从降噪后双谱中选取故障特征频率明显的切片进行组合平均得到复合切片谱,进而提取出齿轮的故障特征。仿真和实验信号表明:在低信噪比条件下,频谱编辑与调制信号双谱相结合的方法能够有效抑制谐波信号以及白噪声的干扰,提取出故障特征,实现齿轮裂纹故障诊断。     

基于广义解调时频分析和瞬时频率计算的阶次谱方法在齿轮故障诊断中的应用

针对齿轮启停过程中故障振动信号的调频特性,提出了基于广义解调时频分析和瞬时频率计算的阶次谱方法,并将其应用于齿轮瞬态信号的分析。广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个瞬时频率具有物理意义的单分量信号,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号。而当齿轮发生故障时,其启停过程中的振动信号就表现为多分量的调幅-调频特征。在基于广义解调时频分析和瞬时频率计算的阶次谱方法中,首先采用广义解调时频分析方法将齿轮瞬态信号分解为若干个单分量信号,然后计算各个分量的瞬时频率,再对其瞬时频率信号进行重采样,最后对重采样信号进行频谱分析得到阶次谱,从而提取齿轮振动信号的故障特征,判断齿轮的工作状态。仿真信号和实验信号的分析结果表明了该方法的有效性。