部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(EmpiricalMode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(En-semble EMD,EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly EnsembleLCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。

全矢融合的二元PELCD样本熵列车故障诊断

长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至发生故障等情况,所导致的安全事件将造成严重的经济损失甚至人员伤亡。考虑到高速列车振动信号的特性,将部分集成的局部特征尺度分解方法拓展至二元信号处理领域,同时结合全矢谱理论对同阶分量信号进行信息融合,得到更加完备的数据特征,并对融合后的数据进行样本熵特征提取,得到列车的故障特征;采用灰狼优化算法对支持向量机进行参数寻优,通过实验对比单一故障工况、复合故障工况以及部件性能退化下的故障识别率,验证所提方法的有效性、优越性。

APLCD-WPT在滚动轴承特征提取算法中的应用

针对滚动轴承特征频率提取问题,提出自适应部分集成局部特征尺度分解(adaptive partly-ensemble local charact-eristic-scale decomposition,简称APLCD)与小波包变换(wavelet package transform,简称WPT)结合的APLCD-WPT方法。首先,利用APLCD对滚动轴承振动信号进行处理,通过添加幅值随频率变化的噪声改善信号极值点分布,再提取内禀尺度分量(intrinsic mode component,简称ISC);其次,对ISC分量中模态混淆部分使用WPT进行修正,提取滚动轴承特征频率信号。应用提出方法对实测的卧式螺旋离心机振动信号进行研究,结果表明,基于APLCD-WPT的算法能够有效地解决模态混淆问题,实现特征频率信号的精确提取。

虚部噪声辅助LCD方法及其在遥测振动信号处理中的应用

针对局部特征尺度分解方法(Local Characteristic Scale Decomposition,LCD)的模态混叠以及集成局部特征尺度分解法(Ensemble LCD,ELCD)在集成平均时容易引入新的模态混叠、伪分量和运算量大等问题。提出一种基于虚部噪声辅助局部特征尺度分解法(Image Noise Assisted LCD,INALCD);首先以原信号为实部添加虚部白噪声构成复数信号,然后对复数信号在指定方向上进行投影,求取对称投影象限的基函数,通过投影后虚部白噪声均匀化原信号投影的极值点的分布,辅助信号分解过程中极值点的选取,抑制模态混叠,最后将对称投影象限的基函数进行线性组合消除噪声的影响,避免了ELCD因集成平均带来的相关问题。仿真和实测数据实验结果表明,该方法在降低模态混叠的同时,大大减少了计算量,性能优于LCD和ELCD方法。

基于PELCD样本熵的抗蛇行减振器故障诊断

长期高速运行的服役状态会造成列车转向架关键部件性能蜕化甚至故障等情况,导致的安全事件将造成严重的经济损失甚至人员伤亡。文章针对列车振动信号非线性、非平稳的特点,以部分集成局部特征尺度分解(PELCD)方法对高速列车抗蛇行减振器失效的故障振动信号进行分解,并且对相关性较强的前6个分量进行样本熵特征提取,将互补集合经验模态分解(CEEMD)方法与样本熵结合的结果进行对比,最后将CEEMD样本熵与PELCD样本熵两种方法下所得到的特征向量作为支持向量机的样本进行故障训练与故障预测。对比二者的结果表明PELCD与样本熵的结合能够有效地识别出列车的故障类别。