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EEMD自适应形态学在齿轮故障诊断中的应用

为了从齿轮故障信号中提取出包含故障信号的特征频率,提出了基于EEMD自适应形态学解调方法。首先采用EEMD(集合经验模式分解)进行降噪,将原始信号与不同的白噪声叠加组成目标信号,然后将目标信号分解为有限个IMF分量,选取主要信息求和重构,再用形态学滤波器提取故障信号的特征频率。针对形态学结构元素尺寸的选择问题,利用遗传算法来优化形态学结构元素,自适应寻求最优解。通过数字仿真试验和齿轮故障模拟实验,并与EMD(经验模式分解)、SVD(奇异值分解)方法进行了比较,结果表明该算法要优于其他两种方法,能够清晰地提取出故障信号的各种频率特征。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

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.     

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。     

基于局部均值分解的循环频率和能量谱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特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法.采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量...     

改进的LMD方法及其在滚动轴承故障诊断中的应用研究

针对局部均值分解（local mean decomposition, LMD）方法存在的端点效应问题,提出一种基于梯度变化的端点效应抑制方法对局部均值分解进行改进,通过仿真对比不同端点抑制方法的效果,证明了该方法的准确性;针对滚动轴承故障振动信号为一系列调制信号的特点,将改进的局部均值分解方法应用于滚动轴承故障诊断中;利用奇异值分解降噪方法降低噪声污染对分解结果的影响;通过实验验证了该方法在滚动轴承故障诊断中的有效性和可行性。     

基于LMD结合WVD在瞬时频率测量中的应用

Wigner-Vill分布(WVD)能非常准确地测量单分量信号的瞬时频率,并具有很好的时频聚集性,但在测量多分量信号时会产生严重的交叉干扰项,混淆真实的频率成分。为消除WVD在测量非平稳信号瞬时频率时产生的交叉干扰项,并保存很好的时频聚集性,提出LMD和WVD相结合的方法测量非平稳信号瞬时频率。该方法使WVD同样适用于非平稳信号的瞬时频率测量中,极大地扩展了适用对象。通过实验及仿真分析表明:与直接用WVD测量瞬时频率相比,该改进方法能有效的消除测量过程中产生的交叉干扰项,且有效保留了WVD很高的时频聚集性的优点,从而更加精确的测量出原始信号的瞬时频率。     

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。     

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。     

局部均值分解在齿轮故障诊断中的应用研究

局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。本文利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性     

基于LMD和ABC优化KELM的故障诊断方法

针对高压隔膜泵单向阀振动信号的非平稳非线性特性,提出一种基于局部均值分解(LMD)、排列熵和人工蜂群算法优化核极限学习机(KELM)的故障诊断方法。采用LMD将振动信号分解成多个分量信号,通过互相关准则选取关联度较大的分量信号,并求出相应的排列熵作为特征向量。输入经过人工蜂群算法优化的KELM中构建故障诊断模型。通过对实际工况下采集的不同故障状态信号的处理分析,结果显示利用该方法对单向阀的运行状况进行故障诊断不但能够较好地表征信号的状态信息,且故障识别准确率达到95.65%。同时,与采用传统的KELM、ELM相比有着更高的识别准确率。     

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。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

小波包分析在齿轮故障诊断中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息。通过对含有周期冲击的信号进行分解处理,展示了小波包分析在特征提取中的优点。通过对减速箱齿轮故障信号进行降噪、分解处理,表明该方法可以有效地提取故障信号中的周期冲击成分。     

基于LMD的时频分析方法及其机械故障诊断应用研究

如何有效地从振动信号中提取有用信息成分一直以来都是故障诊断领域研究的热点。局部均值分解(Local Mean Decomposition, LMD)是一种新的信号自适应分解方法。本文研究基于LMD的瞬时频率求解、时频分析及其故障诊断的应用。LMD的时频分析方法成功提取出实验室转子碰摩特征以及实际低速变载轧机齿轮局部故障信息,这证实了方法的有效性。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

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。     

基于局部特征尺度分解和形态学分形维数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与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

基于多尺度形态学操作的超声图像增强方法

针对医学超声图像低对比度和强噪声给医疗诊断和图像处理所带来的困难，通过基于多尺度形态学操作的方法实现图像增强和噪声抑制的目的．该方法将传统的图像增强概念延伸到数学形态学多尺度空间中，利用多尺度形态学操作提取图像多尺度特征，并通过改变这些特征的强度实现图像局部对比度增强和噪声抑制．实验证明，该方法对超声图像局部对比度增强和噪声抑制是有效的．