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LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

基于LMD与MCKD的风电机组轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解（LMD）在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4 个乘积函数（product function, PF）分量进行最大相关峭度解卷积（MCKD）,突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

基于局部均值分解的边际谱在滚动轴承故障诊断中的应用

局部均值分解（Local Mean Decomposition,简称LMD）将复杂的多分量信号自适应地分解为有限个乘积函数（PF）的和,在计算了各个分量的瞬时幅值（IA）和瞬时频率（IF）后,可以计算出基于LMD的边际谱。针对直接法求取瞬时频率存在端点误差大问题,提出了一种改进的直接求取瞬时频率的方法;提出了基于LMD的边际谱的滚动轴承故障诊断方法,将该方法应用于实际滚动轴承故障诊断中,结果表明该方法能有效地提取出滚动轴承的故障特征频率,从而确定故障部位。     

基于调制增强切片MSB的滚动轴承故障特征提取方法

针对快速谱峭度图和传统切片MSB(modulation signal bispectrum)算法在强干扰条件下提取轴承故障特征不佳的问题,提出一种基于调制增强切片MSB的滚动轴承故障特征提取方法。首先利用MSB算法计算得到原始振动信号的调制信号双谱,对主维度进行切片叠加得到载波谱;然后基于MSB凸显滚动轴承故障信号调制特征的性质,通过粒子群寻优算法对切片范围进行择优;最后,对故障特征所在切片的双谱相干函数与调制信号双谱进行组合处理,进行增强性重构得到调制谱,去除了大部分噪声分量,直接提取出故障特征。通过仿真、实验验证了调制增强切片MSB算法能够实现长传递路径、强噪声干扰条件下的滚动轴承故障特征提取,所得结果比快速谱峭度图更加直观、清晰。     

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local mean decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了本文方法的有效性。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

基于LMD样本熵与SVM的往复压缩机故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD样本熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其样本熵形成有效的特征向量。使用SVM作为模式分类器,诊断得出轴承间隙故障类型。同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更高的识别准确率。     

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     

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解（Local mean decomposition,简称LMD）和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量（Product function,简称PF）之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法

在基于EMD、谱峭度以及包络分析的滚动轴承故障诊断方法的基础上,提出了改进的基于EEMD、度量因子和快速峭度图的诊断方法。该方法首先将故障信号进行EEMD分解得到一组IMFs,然后使用提出的基于距离的度量因子筛选出最能表征故障信息的IMF分量重构信号,接着利用快速峭度图构造最优带通滤波器,最后将滤波后的重构信号进行包络分析并将包络谱与轴承故障特征频率进行比较从而诊断出具体故障。滚动轴承的内圈故障仿真数据以及工程实测数据均很好地验证了提出的改进方法的有效性,说明其具有良好的应用前景。     

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。     

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。     

噪声统计特性LMD滚动轴承故障诊断

工程实际中测得的滚动轴承信号往往含有大量的噪声,这使得轴承故障特征淹没在噪声中难以被提取。针对这一问题,提出一种基于随机噪声统计特性与局部均值分解(local mean decomposition,LMD)理论相结合的滚动轴承故障诊断方法。首先,利用LMD将原信号分解,得到若干乘积函数(production function,PF)分量;其次,将第一阶PF分量随机排序,与剩余PF分量相加;然后,对第2步进行P次循环,求平均;最后,把第3步得到的信号作为原信号,重复第1、2步Q次,对得到的信号进行频谱分析,提取故障特征。通过对仿真信号和实验台轴承实验信号进行分析研究表明,该方法可准确诊断滚动轴承元件故障,具有有效性。     

改进VMD和非凸重叠组收缩降噪的行星齿轮箱早期故障特征提取

针对强背景噪声下行星齿轮箱早期微弱故障特征难以被识别且变分模态分解算法中模态个数K和惩罚因子α需要依赖人为经验反复尝试而不能自适应确定的问题,提出了改进变分模态分解（Modified Variational Mode Decomposition,MVMD）方法,通过故障信号尺度空间谱的自适应分割来确定所需模态个数K,同时建立峭度最大值判定准则自动选取最佳惩罚因子α。在此基础上,将MVMD 与自适应非凸重叠组收缩降噪算法（Adaptive Nonconvex Overlap Group Shrinkage,ANOGS）相融合,提出了基于MVMD?ANOGS 的行星齿轮箱早期故障诊断方法。对故障振动信号进行MVMD 最佳分解,获取多个模态分量;利用ANOGS 算法对峭度最大的敏感模态进行稀疏降噪,从而突出信号中的故障冲击特征;对降噪模态进行包络解调处理,以提取明显的故障特征频率来判别故障。通过仿真信号和工程实验数据分析表明,相比传统VMD 方法、EEMD 方法和快速谱峭度方法,该方法能成功地提取微弱故障冲击特征且更加清晰,提高了行星齿轮箱早期故障的表征能力与诊断精度。     

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

LMD滤噪算法及在旋转机械转子故障诊断中的应用

利用噪声统计特性及局部均值分解算法(local mean decomposition, LMD)在信号分解过程中的自适应性,提出了一种新的基于LMD的自适应滤噪算法。该算法完全由数据驱动,可对信号自适应降噪,并将降噪后的信号分解为若干个瞬时频率具有物理意义的 PF (Product function)分量。重构的信号可有效提高功率谱故障诊断的性能。通过对2种非平稳信号的仿真实验及在实际运行状态下采集的旋转机械转子振动信号降噪的应用,结果表明提出的算法降噪性能优于中值降噪、均值降噪、小波降噪、EMD软阀值降噪等典型滤噪算法。该算法也可在频域有效地用于旋转机械转子故障的诊断。