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LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine,SVM)的柱塞泵故障诊断方法.对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比....     

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。     

基于改进局部均值分解和流形学习的齿轮故障诊断研究

为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

基于LMD和灰色相似关联度的轴承故障诊断方法

针对轴承故障振动信号的非线性、非平稳特点及振动信号的强噪声背景,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和灰色相似关联度的轴承故障诊断方法。首先对信号进行局部均值分解,得到若干个PF(Product function,简称PF)分量,再选取包含主要故障信息的PF分量进一步分析,并提取特征向量,然后通过计算标准故障模式与待识别样本的灰色相似关联度对轴承故障类型进行判断。利用该方法对试验轴承故障振动信号进行了分析,结果表明,基于LMD和灰色相似关联度方法能够有效地识别轴承运行状态,实现对轴承的故障诊断。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于局部均值分解和时域参数的液压马达故障诊断研究

针对液压马达的滑靴磨损故障诊断问题,该文提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和时域参数的方法。首先,利用LMD方法对实测液压马达滑靴磨损振动信号进行分解处理,将多模态信号分解为若干个单一模态乘积分量(Production Function,PF);其次,将前三个含有运行特征信息丰富的单模态PF分量重构作为故障诊断用数据源;再次,对数据源提取时域参数;最后,通过分析时域参数对滑靴磨损故障的敏感性,有效地诊断出液压马达滑靴磨损故障,进一步完备了基于时域参数的诊断方法。     

基于LMD-PE与SVM机床刀具磨损故障诊断

针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。     

LMD及马氏距离敏感阈值的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于局部均值分解(Local Mean Decomposition,LMD)及马氏距离敏感阈值的滚动轴承故障诊断方法。首先,对振动信号进行LMD分解,获得一系列乘积函数(Production Function,PF),有的PF分量包含的故障信息多,有的包含的少,为此采用K-L散度法提取出主要PF分量;计算主要PF分量的时域参数指标,将其组合成特征向量,根据马氏距离提出马氏距离敏感阈值来表征不同的故障状态,取多组正常信号的特征向量均值作为标准特征向量,计算未知特征向量与标准特征向量的马氏距离敏感阈值,从而对其故障状态进行识别。试验结果表明,在不同转速下,该方法能够有效的对滚动轴承故障进行识别,且效果较EMD方法好。     

ELMD及核密度估计的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)及核密度估计的滚动轴承故障诊断方法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Production Function,PF),计算包含主要故障的PF分量的有效值、峭度、偏度系数,将其组合成特征向量;根据核密度估计的特性提出基于核密度估计的分类器,将特征向量输入分类器进行训练与测试,从而识别滚动轴承的工作状态和故障类型。实验结果表明,该方法能够有效的对滚动轴承故障进行识别,且效果较LMD方法好。     

基于噪声辅助分析的总体局部均值分解方法

局部均值分解(Local mean decomposition,LMD)方法是一种新的自适应时频分析方法,但在其实现过程中会发生模态混淆现象,使分析结果失真。通过数值试验得到了LMD对白噪声的滤波器组结构,并在此基础上,针对模态混淆现象提出总体局部均值分解(Ensemble local mean decomposition,ELMD)方法。在该方法中添加不同的白噪声到目标信号,分别对加噪后的信号进行LMD分解,最后将多次分解结果的平均值作为最终的分解结果。对仿真信号和试验转子局部碰摩信号进行分析,结果表明ELMD方法能有效地克服原LMD方法的模态混淆现象。     

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。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。     

奇异区间包络重构局部均值分解及其往复压缩机轴承故障诊断应用

针对包络估计函数解调时出现的突变问题，提出奇异区间包络重构局部均值分解(Singular Interval Reconstruction Local Mean Decomposition, SIRLMD)方法。确定包络估计函数解调突变原因为包络线存在交叉，为此定义交叉局部区域为奇异区间，结合极值对称理论增广该区间插值点，应用三次埃尔米特插值进行局部重构，形成奇异区间包络重构算法。仿真信号和往复压缩机轴承故障诊断应用证明，该算法解决了包络线交叉问题，抑制了解调突变现象，分解结果故障特征更显著。     

噪声参数最优ELMD与谱峭度在滚动轴承故障诊断中的应用

为了精准、稳定地提取滚动轴承故障特征,提出一种噪声参数最优总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与谱峭度(Spectral Kurtosis,SK)相结合的轴承故障诊断新方法。首先引入相对均方根误差确定ELMD方法中的最优噪声幅值;然后对故障信号进行噪声参数最优ELMD分解,并选取具有最大相关性的窄带乘积函数(Product Function,PF)作为重构信号;最后利用谱峭度方法和包络解调方法对重构信号进行处理。实验结果表明,噪声参数最优ELMD方法可以有效地抑制ELMD分解中的模态混叠,与谱峭度结合可以准确地提取滚动轴承故障特征。     

有理Hermite插值局部均值分解方法及其往复压缩机故障诊断应用

针对往复压缩机振动信号的强非平稳特性,提出了一种基于有理Hermite插值的局部均值分解(Local mean decomposition,LMD)方法。结合有理Hermite插值法的保形特性和曲线形状随参数可调特性,以其构建极值点间局部包络曲线。提出以极值对称点为依据的局部包络线优选方法,进而提高局部均值与包络估计的拟合逼近精度。给出了有理Hermite插值LMD方法的算法与流程。利用仿真数据,通过与不同插值方法比较,验证了有理Hermite插值LMD方法拟合逼近性能的优越性。以往复压缩机轴承故障振动信号为研究对象,应用有理Hermite插值LMD方法实现了轴承间隙大故障的准确诊断,验证了该方法对强非平稳信号的适用性。     

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。     

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。     

基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的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集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。