A Roller Bearing Fault Diagnosis Method Based on Improved LMD and SVM

Aiming at the non-stationary features of the roller bearing fault vibration signal,a roller bearing fault diagnosis method based on improved Local Mean Decomposition(LMD)and Support Vector Machine(SVM)is proposed.In this paper,firstly,the wavelet analysis is introduced to the signal decomposition and reconstruction;secondly,the LMD method is used to decompose the reconstruction signal obtained by the wavelet analysis into a number of Product Functions(PFs)that include main fault characteristics,thus,the initial feature vector matrixes could be formed automatically;Thirdly,by applying the Singular Value Decomposition(SVD)techniques to the initial feature vector matrixes,the singular values of the matrixes can be obtained,which can be used as the fault feature vectors of the roller bearing and serve as the input vectors of the SVM classifier;Finally,the recognition results can be obtained from the SVM output.The results of analysis show that the proposed method can be applied to roller bearing fault diagnosis effectively.     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

LMD18200T的直流伺服电动机驱动器的设计

为了减小伺服系统体积,提高其可靠性,设计了一种基于LMD18200T组件的直流伺服电动机驱动器的解决方案。与采用分离器件来搭建驱动器电路相比,不但简化了硬件结构设计,而且也提高了系统的可靠性。     

基于LMD18245的二相步进电机细分驱动器设计

文中给出了一种由LMD18245实现的用于电脑绣花机的二相步进电机细分驱动器的设计方法,并着重介绍了系统的硬件和软件设计.     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测

 详细阐述了局部均值分解(Local mean decomposition,简称LMD)非平稳信号处理方法, LMD算法具有高度的自适应性,能够分解得到数据本身所具有的特征参量,也就是它能够将任意一个非常复杂的非平稳信号分解成若干个具有一定物理意义的PF(Product function,生产函数)分量之和,通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。而后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,因为通过LMD方法分解得到的PF分量更具有一定地规律性,所以能够更大幅度提高瓦斯涌出量的预测精度,实例分析也表明,其预测结果与实际监测结果极高的一致性。     

改进LMD与切片双谱在齿轮箱复合故障诊断中的应用研究

针对齿轮箱复合故障振动信号的非稳定性和多分量耦合调制的复杂特性,提出了基于分段三次Hermit插值改进的LMD与切片双谱相结合的复合故障特征提取方法,结合分段三次Hermit插值法稳定性好且能保证每个小段连续光滑的优点,用分段三次Hermit插值法代替滑动平均法,对极值点构造局部均值函数和包络估计函数,减少了信号的包络误差,提高了LMD分解的精确度。并以齿轮箱中滚动轴承和齿轮的复合故障振动信号为研究对象,通过实验对比验证了改进LMD的优越性和本文所提方法对复合故障诊断的有效性。     

基于小波理论和HT-LMD的电能质量扰动检测方法

针对含噪声的暂态电能质量扰动检测问题,提出了一种基于小波自适应去噪的改进HT-LMD(HilbertHuang and Local Mean Decomposition)分解检测方法。分析了局部均值分解检测扰动的优缺点以及噪声对LMD检测方法的影响,提出了采用小波分解与重构和自适应阈值技术以及基于正交性判据(Orthogonality Criterion,OC)新的HT-LMD检测方法。小波自适应去噪技术能减弱噪声对LMD分解影响,正交性判据能减少分解的迭代次数。典型暂态电能质量扰动模拟信号和实测信号的检测结果表明,所提方法能在有效提高LMD方法检测电能质量扰动效果同时很好地保留原有暂态扰动信号奇异性特征,提高了检测和定位精度。     

基于改进LMD与GRU网络的短期燃气负荷预测

针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD方法采用分段牛顿插值法代替传统的滑动平均值法来获得局部均值函数和包络估计函数,改善了传统LMD方法存在的过平滑问题.之后,再将得到的若干PF分量进行小波阈值去噪处理,获得有效的分量数据.最后,利用GRU神经网络分别预测各分量值,将它们相加得到最终的负荷预测值.仿真实验表明,提出的方法与单个GRU神经网络以及结合传统LMD算法的GRU网络相比,预测精度更高.     

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。
