基于三次Hermite插值的局部特征尺度分解方法

内禀时间尺度分解(Intrinsic time-scale decomposition,简称ITD)方法采用线性变换获得基线信号,使得分解结果出现毛刺和瞬时频率失真现象。因此,在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)基础上,提出基于三次Hermite插值的局部特征尺度分解方法(Cubic Hermite interpolation-Local characteristicscale decomposition,简称CHLCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。首先对CHLCD方法的原理进行分析,然后给出采用CHLCD对信号进行分解的详细步骤,最后采用仿真信号和滚动轴承信号对CHLCD进行验证,结果表明了CHLCD方法的有效性。     

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和.对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件.     

基于多尺度关联维数和流形学习的自动机故障诊断

针对自动机振动信号非平稳、非线性的特点,提出基于多尺度关联维数和线性局部切空间排列(linear local tangent space alignment,LLTSA)相结合的自动机故障诊断方法。首先,利用局部特征尺度分解(local characteristicscale decomposition,LCD)将自动机振动信号分解为不同尺度下的内禀尺度分量(intrinsic scale component),提取出反映状态信息的主要分量并计算各分量的关联维数。然后,利用线性局部切空间排列算法挖掘出可区分度更高的特征子集。最后,将得到的低维特征输入支持向量机进行识别,自动机故障诊断实验表明,所提方法具备较高的诊断准确率。此外,将LCD与经验模态分解(empirical mode decomposition,EMD)和局部均值分解(local mean decomposition,LMD)方法的诊断结果进行比较,验证所提方法的优势。     

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.     

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。     

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

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。     

广义经验模态分解性能分析与应用

针对经验模态分解（empirical mode decomposition,EMD）的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解（generalized EMD,GEMD）方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数（generalized intrinsic mode function,GIMF）,由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

超声电机摩擦材料局部剥落故障特征提取方法EI北大核心CSCD

行波型超声电机摩擦材料局部剥落故障直接影响电机输出性能,并加速电机失效;针对故障信息易受噪声干扰,尤其故障初期特征难以提取的问题。将孤极电压信号作为处理对象,提出了一种基于局部特征尺度分解(local characteristic-scale decomposition,LCD)与Teager能量算子相结合的故障特征提取方法:首先,对原始信号样本进行LCD得到不同内禀尺度分量,并通过自相关分析对各分量进行重构,实现降噪预处理;其次,利用Teager能量算子对重构信号低频段所包含的故障信息进行放大;最后,筛选低频段故障频率成分,提出了以幅值和频率信息为基础的故障特征计算方法。试验结果表明,该方法可有效表征行波型超声电机摩擦材料局部剥落的扩增趋势,并具备一定噪声背景下的适用性。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。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),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。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,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

局部均值分解与经验模式分解的对比研究

摘要：介绍了一种新的非平稳信号分析方法——局部均值分解（Local mean decomposition,简称LMD）。 LMD方法可以自适应地将任何一个复杂信号分解为若干个具有一定物理意义的PF（Product function）分量之和,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,从而获得原始信号完整的时频分布。本文首先介绍了LMD方法,然后将LMD方法对仿真信号进行了分析,取得了满意的效果,最后将其和经验模式分解EMD（Empirical mode decomposition）方法进行了对比,结果表明在端点效应、迭代次数等方面LMD方法要优于EMD方法。
     

基于BLCD和小波域双谱的齿轮故障诊断方法

本文对固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)方法进行了改进,提出了基于B样条的局部特征尺度分解方法(B spline-based Local characteristic-scale decomposition,简称BLCD),在此基础上将BLCD与小波域双谱相结合应用于齿轮故障诊断。首先将BLCD方法和ITD方法进行对比分析,验证BLCD方法的优越性。然后采用BLCD方法将齿轮振动信号进行分解,得到若干个ISC分量(Intrinsic scale component,简称ISC),再对ISC分量进行小波域双谱分析,通过双谱中峰值个数和耦合频率的成分来判断齿轮是否发生了故障。实验数据的分析结果表明,基于BLCD和小波域双谱的齿轮故障诊断方法能有效地应用于齿轮的故障诊断。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

局部特征尺度与小波阈值协同下密封摩擦面AE信号降噪研究

针对机械密封低速阶段存在信号内源耦合与外部干扰因素的共性问题,提出了信号局部特征尺度分解(local characteristic-scale decomposition, LCD)与小波阈值协同降噪方法。基于局部特征尺度分解结合小波阈值方法与声发射信号降噪的信息映射关系,建立了互相关系数对含噪分量识别机制,将纯净分量和降噪后的含噪分量进行重构,实现信号降噪,并搭建了机械密封声发射测试台,试验结果表明,LCD-新阈值降噪方法降噪效果优于LCD强制降噪和小波阈值降噪,LCD-新阈值降噪的信噪比分别比LCD强制降噪和小波阈值降噪高出20%和23%。从而证明基于局部特征尺度下密封声发射信号协同小波阈值的降噪技术维持了信号的可用性,保障信号故障特征,为进行机械密封全生命周期管理奠定了理论基础。     

基于经验模态分解的爆破延期识别优化方法

针对爆破延期识别中采用经验模态分解(empirical mode decomposition, EMD)方法存在模态混叠现象,导致延期识别精度低的问题。提出了一种完全正交经验模态分解(principal empirical mode decomposition, PEMD)方法,首先对原始信号进行EMD初步分解,得到多个具有模态混叠现象的本征模函数(intrinsic mode function, IMF)分量,其次对IMF分量进行主成分分析(principal component analysis, PCA),将混叠的IMF分量完全正交化,之后选择幅值较大且波形衰减明显的主分量,使用Hilbert变换提取包络线,最后对包络线峰值点进行识别。通过相似物理模拟试验证明,PEMD与传统方法EMD相比,有效地抑制振动信号EMD分解时出现模态混叠现象,延期识别误差降低至0,并通过控制高程和延期时间对PEMD方法的稳定性进行了检验;同时以德兴露天边坡延期爆破试验为例,PEMD能够更好地对爆破振动波峰值点进行精确识别,识别率稳定在90%以上,对后续爆破工程中爆破参数设计优化和盲炮的识别具有重要意义...     

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。