随机共振消噪与ELMD相结合的轴承故障诊断

针对实际工况下轴承故障信号容易淹没在强烈噪声中难以提取,局部均值分解(local mean decomposition,LMD)在信号处理方面不可避免出现模态混叠现象的问题,提出1种基于随机共振(Stochastic Resonance,SR)与总体局部均值分解(ensemble local mean decomposition,ELMD)相结合的轴承故障诊断方法。首先将采集到的实际轴承振动信号进行随机共振消燥,以白噪声驱动与双稳系统形成随机共振现象,将噪声的部分能量转移到低频区域集中,提高信号的信噪比;然后将经过随机共振后的信号进行ELMD分解,得到1组乘积函数(product function,PF),以及1个残余分量,对得到的PF分量进行时频分析,最终发现轴承故障特征频率。实验结果表明,该方法可以提高信号信噪比,以达到微弱信号检测的目的,因此可以很好的应用在轴承故障诊断中。     

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。     

基于微分局部均值分解的旋转机械故障诊断方法

提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。     

基于LMD-MS的滚动轴承微弱故障提取方法

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。     

基于局部均值分解和最大相关峭度解卷积的滚动轴承早期故障提取

滚动轴承处于早期故障阶段的时候,特征信号比较微弱,同时受到干扰噪声的影响,造成故障特征难以提取。针对这一问题,提出了基于局部均值分解(Local mean decomposition,LMD)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)两者相结合的故障诊断方法。在强噪声背景条件下,LMD对微弱故障信号特征难以提取,故对LMD分解得到的一组乘积函数(Product function,PF),利用相关系数与峭度值筛选出敏感分量进行信号重构,然后利用MCKD进行滤波,突出故障信号尖脉冲,最后根据信号的包络功率谱提取故障特征频率。算法仿真和实验证明了该方法的有效性。     

基于对称差分能量算子解调的局部均值分解端点效应抑制方法

局部均值分解(Local mean decomposition,LMD)在分析非线性、非平稳信号时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是局部均值分解过程中的端点效应会导致分解结果失真,针对这一问题,从振动信号解调分析角度出发,提出基于对称差分能量算子解调的局部均值分解端点效应抑制方法,采用局部均值分解方法将原信号分解为一系列单分量信号,然后对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,从而获得原信号的时频分布。为评价该端点效应抑制方法的抑制效果,定义一种评价标准,通过与其他两种端点效应抑制方法进行比较,验证该方法的优越性。仿真和试验结果表明该方法能够有效抑制LMD端点效应,实现旋转机械故障的有效诊断。     

自适应随机共振与ELMD在轴承故障诊断中的应用

针对随机共振(Stochastic resonance,SR)在处理轴承故障信号时需要满足小参数(信号频率、幅值、噪声强度远小于1)这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解(Ensemble local mean decomposition,ELMD)的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法(Genetic algorithm,GA)对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.     

基于LMD近似熵和FCM聚类的机械故障诊断研究

提出一种基于局部均值分解(local mean decomposition,LMD)近似熵和模糊C均值聚类(fuzzy C-means clustering,FCM)相结合的机械故障诊断方法.首先对机械振动信号进行LMD分解,得到若干具有物理意义的乘积函数(product function,PF)分量,再通过相关性分析,筛选出与原始信号相关性最大的3个分量作为数据源,求取其近似熵作为特征向量,最后通过FCM模糊聚类对特征向量进行识别分类.实验表明,基于LMD近似熵和FCM模糊聚类相结合的方法对机械故障信号能够有效准确地进行识别分类,此外,将该方法与基于EMD近似熵和FCM结合的方法进行对比,结果表明该方法具有更好的故障识别效果.     

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。     

An ensemble local means decomposition method and its application to local rub-impact fault diagnosis of the rotor systems

Targeting the shock characteristics of the vibration signal of a rotor system with local rub-impact fault, a local rub-impact fault diagnosis method of rotor system based on ELMD (ensemble local means decomposition) is proposed in this paper. The local mean decomposition (LMD) is a newly self-adaptive time-frequency analysis method, by which any complicated multi-component signal could be decomposed into a set of product functions (PFs) whose instantaneous frequencies in theory have physical significance. Unfortunately, mode mixing phenomenon which makes the decomposition results devoid of physical meaning is common when LMD is performed in practice. Targeting this shortcoming, the filter bank structure of white noise by LMD is obtained by numerical experiments, and then an improved method based upon noise-assisted analysis, ensemble local mean decomposition, is put forward. In ELMD, firstly, different white noise is added to the targeted signal; secondly, LMD is used to decompose the noise-added signal into product functions (PFs); finally, the ensemble means of corresponding PF components derived from LMD is regarded as the final decomposition result. The analytical results from simulation signal and experimental rotor local rub-impact signal demonstrate that the ELMD approach can be used to overcome the mode mixing of the original LMD method effectively.     

基于L-T的联合算法在光纤法珀纳米压力传感器脉压检测信号中的应用

研究了一种改进的去噪方法及其在脉冲拍频信号去噪中的应用。该算法结合了局部均值分解(Local mean decomposition,LMD)和时频峰值滤波(Time-frequency peak filtering,TFPF)的优点,称为L-T算法。TFPF作为一种经典的时频滤波方法,较长的窗长可以在保留信号幅值的前提下有效抑制随机噪声,而较短的窗长则导致信号幅值严重衰减。因此,为了保持有效信号幅度、抑制随机噪声,对LMD和TFPF进行了改进。首先利用LMD将原始信号分解为无级生存(Progression-free survival,PFS),然后计算各乘积函数均值的标准误差,将许多PFSs分为有用分量、混合分量和噪声分量。其次,将短窗TFPF用于有用分量去噪,长窗TFPF用于混合分量去噪,得到重构后的信号。最后,将该算法用于F-P压力传感器的降噪。实验结果表明,与传统小波去噪算法相比,L-T算法去噪效果更优。     

A hybrid fault diagnosis method based on second generation wavelet de-noising and local mean decomposition for rotating machinery

In order to extract fault features of large-scale power equipment from strong background noise, a hybrid fault diagnosis method based on the second generation wavelet de-noising (SGWD) and the local mean decomposition (LMD) is proposed in this paper. In this method, a de-noising algorithm of second generation wavelet transform (SGWT) using neighboring coefficients was employed as the pretreatment to remove noise in rotating machinery vibration signals by virtue of its good effect in enhancing the signal–noise ratio (SNR). Then, the LMD method is used to decompose the de-noised signals into several product functions (PFs). The PF corresponding to the faulty feature signal is selected according to the correlation coefficients criterion. Finally, the frequency spectrum is analyzed by applying the FFT to the selected PF. The proposed method is applied to analyze the vibration signals collected from an experimental gearbox and a real locomotive rolling bearing. The results demonstrate that the proposed method has better performances such as high SNR and fast convergence speed than the normal LMD method.     

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。     

基于局域均值分解的滚动轴承故障诊断方法

论述了一种新的自适应时频分析方法--局域均值分解的基本原理和算法,并将该方法引入到滚动轴承故障诊断中,提出了一种基于局域均值分解的滚动轴承故障诊断方法, 该方法先将一个故障信号自适应地分解成若干个具有一定物理意义的生产函数分量,然后求出每个PF分量的瞬时幅值和瞬时频率,从而获得故障信号的特征信息.试验结果验证了该方法的有效性.     

局部均值分解和经验模态分解的性能对比研究

利用具体的非平稳齿轮箱振动信号,分别应用局域均值分解方法(Local Mean Decomposition,LMD)和经验模态分解方法(Empirical Mode Decomposition,EMD)进行了模态分解,并计算得出能量熵。物理意义明确且非常直观,用LMD方法分解齿轮箱振动信号模态混叠程度要轻于EMD方法分解所得模态混叠程度。同时,从端点效应和分解速度两方面将两种分解方法做了对比,LMD方法抑制端点效应的能力强于EMD方法,且分解速度较EMD方法快。     

改进LMD及高阶模糊度函数的管道泄漏定位

针对天然气管道泄漏定位的问题,提出一种基于改进局域均值分解(LMD)及高阶模糊度函数的时延估计方法。该方法首先采用改进的LMD对声发射信号进行分解,获得多个PF分量,进而提出根据K-L散度的PF分量自动选择算法,获取含有主要泄漏信息的PF分量,在此基础上,研究了基于高阶模糊度函数计算声发射信号的时频参数,并通过时频分析获取特征频率的到达时间差,最后结合泄漏产生的广义声发射信号的传播速度完成对天然气管道泄漏的定位。实验结果表明,提出的方法能够进行定位且精度较直接相关法明显提高。     

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。