局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

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。     

基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用

提出一种基于局部特征尺度分解(Local characteristic-scale decomposition, LCD)和经验包络(Empirical envelope method, EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。     

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。     

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。     

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。     

The envelope order spectrum based on generalized demodulation time–frequency analysis and its application to gear fault diagnosis

The generalized demodulation time–frequency analysis is a novel signal processing method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals as it can decompose a multi-component signal into a set of single-component signals whose instantaneous frequencies own physical meaning. While fault occurs in gear, the vibration signals measured from gearbox would exactly display AM–FM characteristics. Therefore, targeting the modulation feature of gear vibration signal in run-ups and run-downs, a fault diagnosis method in which generalized demodulation time–frequency analysis and envelope order spectrum technique are combined is put forward and applied to the transient analysis of gear vibration signal. Firstly the multi-component vibration signal of gear is decomposed into some mono-component signals using the generalized demodulation time–frequency analysis approach; secondly the envelope analysis is performed to each single-component signal; thirdly each envelope signal is re-sampled in angle domain; finally the spectrum analysis is applied to each re-sampled signal and the corresponding envelope order spectrum can be obtained. Furthermore, the gear working condition can be identified according to the envelope order spectrum. The analysis results from the simulation and experimental signals show that the proposed algorithm was effective in gear fault diagnosis.     

The application of energy operator demodulation approach based on EMD in machinery fault diagnosis

An energy operator demodulation approach based on EMD (Empirical Mode Decomposition) is proposed to extract the instantaneous frequencies and amplitudes of the multi-component amplitude-modulated and frequency-modulated (AM-FM) signals. Furthermore the proposed approach is applied to machinery fault diagnosis. Firstly, EMD method is used to decompose a multi-component AM-FM signal into a number of intrinsic mode functions (IFMs). Secondly, the energy operator demodulation method is applied to each IMF and the instantaneous amplitudes and frequencies of a multi-component AM-FM signal are extracted. Finally, the spectrum analysis is applied to each instantaneous amplitude in order to obtain envelope spectra from which the mechanical fault can be diagnosed. The analysis results show that the energy operator demodulation approach based on EMD can extract the characteristic of machinery fault vibration signals efficiently.     

自适应特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解（EMD）和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号--内禀致密尺度分量（ICC）,并提出了一种新的自适应信号分解方法--自适应特征尺度分解（ACD）方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解（EEMD）和自主致密局部特征尺度分解（ACLCD）方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。     

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.     

局部特征尺度分解方法在机械振动中的应用

局部特征尺度分解（Local characteristic-scale decomposition ,简称LCD）是一种能够自适应处理非平稳非线性信号的方法。其主要思想是把一个复杂的时域信号分解为若干个内禀尺度分量（Intrinsic scale component,简称ISC）与一个残余项之和,然后再求其各个ISC分量的瞬时频率。但是利用线性变换得到的基线信号不够光滑。为此将基线分段进行三次样条插值,并设每段端点的一阶导数为零来得到基线信号的方法。经过对仿真分析,该方法具有更高的精度;而且,通过分析实测信号,进一步证明该方法的有效性。     

自适应无参经验小波变换及其在转子故障诊断中的应用

为了实现经验小波变换中Fourier谱的自适应分割,提出了自适应无参经验小波变换(APEWT)方法。同时,为了克服希尔伯特变换解调的不足,更精确地估计信号的时频分布,提出了改进归一化希尔伯特变换(INHT)。通过分析仿真信号将APEWT和INHT方法与经验模态分解(EMD)、总体平均经验模态分解(EEMD)和局部特征尺度分解等方法进行对比,结果表明了APEWT和INHT方法的优越性。最后,将基于APEWT和INHT的时频分析方法应用于转子局部碰磨故障诊断,试验数据分析结果表明,所提出的方法不仅能够有效地诊断转子局部碰磨故障,而且诊断效果优于EMD和EEMD方法。