针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征...针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法.该方法采用Lagrange插值取代LCD中的线性插值,且均值曲线的插值点是由相邻的3个同类极值点构成的Lagrange插值多项式计算产生.引入了对称系数的概念,并给出了最优对称系数评价准则.研究了LILCD方法的原理及最优对称系数评价准则,通过仿真信号将LILCD方法与LCD方法进行了对比,结果表明LILCD在提高分量精确性和正交性方面具有一定的优越性.将LILCD方法应用于转子不对中故障的诊断,结果表明了方法的有效性.展开更多
文摘针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法.该方法采用Lagrange插值取代LCD中的线性插值,且均值曲线的插值点是由相邻的3个同类极值点构成的Lagrange插值多项式计算产生.引入了对称系数的概念,并给出了最优对称系数评价准则.研究了LILCD方法的原理及最优对称系数评价准则,通过仿真信号将LILCD方法与LCD方法进行了对比,结果表明LILCD在提高分量精确性和正交性方面具有一定的优越性.将LILCD方法应用于转子不对中故障的诊断,结果表明了方法的有效性.