基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.

一种新的非平稳信号分析方法——局部特征尺度分解法

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Empirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法。

改进ITD和能量矩在齿轮故障诊断中的应用

固有时间尺度分解(intrinsic time-scale decomposition,简称ITD)方法是一种新的自适应时频分析方法,其与经验模态分解(empirical mode decomposition,简称EMD)方法一样也有端点问题,且其分解得到的分量波形失真比较严重。为此,对ITD方法进行了改进,改进的ITD方法克服了上述缺点,并通过仿真信号的分析结果验证了改进后的ITD方法的有效性。把改进后的ITD方法与能量矩相结合应用于齿轮的故障诊断,首先,用改进的ITD方法将齿轮振动信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC);其次,将ISC分量进行基于时间轴的积分,得到ISC能量矩特征向量;最后,把特征向量输入支持向量机,从而判断齿轮是否有故障。实验数据的分析结果表明,该方法能有效地应用于齿轮的故障诊断。

一种新的时频分析方法——局部特征尺度分解

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法——局部特征尺度分解(Local charac-teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD方法在计算效率和抑制端点效应等方面要优于EMD方法.此外,还将LCD方法应用于滚动轴承故障诊断,实验信号的分析结果进一步表明了该方法的有效性.

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD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ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。

基于牛顿插值的局部特征尺度分解方法及应用

局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是最近新提出的一种先进的自适应时频分析方法。由于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。根据上述问题,提出了基于Newton插值的局部特征尺度分解(newton interpolation based local characteristic-scale decomposition,NILCD)方法。该方法采用Newton插值取代LCD中的线性插值,均值曲线的插值点由相邻的三个同类极值点构成的Newton插值多项式计算产生,改进LCD。通过仿真信号将NILCD与LCD方法进行分析对比,结果证实了NILCD在提高分量正交性和精确性等方面具有一定的优越性。并将NILCD方法应用于转子碰摩故障的诊断,实验结果表明了新方法的有效性。

基于内禀尺度分量的自适应时频分析方法

在定义一种瞬时频率具有物理意义的单分量信号—内禀尺度分量(简称ISC)的基础上,提出一种新的信号自适应时频分析方法—局部特征尺度分解方法(简称LCD)。LCD方法可以自适应地将任意一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和。对LCD方法的基本理论进行研究,分别采用LCD方法和经验模态分解(简称EMD)方法对仿真信号进行分析,对比结果表明:LCD方法的有效性及在端点效应、计算时间等方面都优于EMD方法,并且把LCD方法应用于齿轮的实验振动信号分析,LCD方法可以有效地应用于齿轮故障诊断。

基于ITD的齿轮磁记忆信号特征提取方法的研究

针对低速重载齿轮潜故障状态下磁记忆信号特征信息难以获取的问题,提出了一种基于固有时间尺度分解法(ITD)的磁记忆信号特征提取方法。首先利用ITD方法将原始磁记忆信号分解为若干固有旋转分量PRC和一个单调趋势项,然后将前四阶PRC分量重新组合重构,剔除磁记忆信号自身的大周期成分和磁场噪声,最后再利用周期平均和局部统计法提取出该齿轮每个齿根的磁信号强度。实验结果表明,该方法非常适用于信号有效成分的精确拾取和判断,能有效实现信号的特征提取,对低速重载齿轮潜故障早期诊断领域具有重要的应用价值。

基于BLCD和双谱的齿轮故障诊断方法

对固有时间尺度分解(Intrinsic Time-scale Decomposition,简称ITD)方法进行了改进,提出了基于B样条的局部特征尺度分解方法(B spline-based Local Characteristic-scale Decomposition,简称BLCD),在此基础上将BLCD与双谱相结合应用于齿轮故障诊断。首先将BLCD方法和ITD方法进行对比分析,验证BLCD方法的优越性。然后采用BLCD方法将齿轮振动信号进行分解,得到若干个ISC分量(Intrinsic Scale Component,简称ISC),再对ISC分量进行双谱分析,通过双谱中峰值个数及其所处的位置来判断齿轮是否发生了故障。实验数据的分析结果表明,基于BLCD和双谱的齿轮故障诊断方法能有效地应用于齿轮的故障诊断。

基于分段多项式的局部特征尺度分解方法及应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中两极值点连线在极值点处一阶微分不连续,引起分解精度降低问题,提出新非平稳信号分析方法 -基于分段多项式的局部特征尺度分解(Piecewise Polynomial based Local Characteristic-scale Decomposition,PPLCD)。用分段多项式取代LCD中直线连接,且均值曲线插值点由相邻3个同类极值点构成的多项式计算产生。通过仿真信号将PPLCD与LCD对比,结果表明,PPLCD在提高分量正交性、精确性等具有一定优越性;由转子碰摩故障诊断表明该方法的有效性。

自主致密局部特征尺度分解方法及其应用

针对局部特征尺度分解(LCD)的模态混叠问题,提出了自主致密局部特征尺度分解(ACLCD)方法。该方法通过确定待分解信号的最小信号极值尺度来度量其信号尺度,采用新增伪极值点均匀化信号尺度,可有效抑制模态混叠的产生;引入了最优致密系数的概念,并给出了最优致密系数评价准则。研究了ACLCD方法的原理,通过仿真信号将ACLCD与LCD和EMD进行分析对比,结果表明,ACLCD在提高分量精确性和正交性、抑制模态混叠等方面具有一定的优越性。将ACLCD方法应用于转子碰摩故障的诊断,结果表明该方法有效。

基于ITD与ICA的滚动轴承故障特征提取方法

针对滚动轴承故障信号因受背景噪声、信号传递途径、轴承各部件间相互作用及其它能量较大振源信号干扰,限制传统方法提取故障特征信息的准确性问题,提出结合固有时间尺度分解(ITD)及独立分量分析(ICA)的信号分析方法,将单通道振动信号进行ITD分解,得到若干固有旋转分量及一个趋势项,基于互相关准则对分解信号进行重组作为ICA的输入矩阵,采用Fast ICA算法解混,实现故障特征信号与噪声信号分离,从而提取故障特征信息。通过滚动轴承故障诊断实验结果分析表明该方法有效可行,具有一定工程应用价值。

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(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,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。

基于微分算子的局部特征尺度分解方法及其应用

针对局部特征尺度分解(LCD)方法在目标信号所含频率分量较接近时分解能力降低,易出现模态混淆现象,从而导致内禀尺度分量失去原有物理意义的问题,提出了基于微分算子的局部特征尺度分解(DOLCD)。DOLCD在对目标信号进行分解前,先将目标信号进行一阶微分,则在频率比一定的情况下,可提升分解能力及抑制模态混淆能力。研究了DOLCD方法的原理,通过仿真信号模型将DOLCD与LCD的分解能力进行对比分析,结果表明,DOLCD方法在提高分解能力,抑制模态混淆等方面具有一定的优越性,并将DOLCD方法应用于转子不对中故障的诊断,结果表明该方法有效。

基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法

为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。

自适应特征尺度分解方法及其应用

针对局部特征尺度分解(LCD)存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解(EMD)和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号——内禀致密尺度分量(ICC),并提出了一种新的自适应信号分解方法——自适应特征尺度分解(ACD)方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解(EEMD)和自主致密局部特征尺度分解(ACLCD)方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。

基于IITD样本熵和支持向量机的齿轮故障诊断方法

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法(Improve Intrinsic Timescale Decomposition,简称IITD)方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明:相比BP神经网络,能更有效地应用于齿轮的故障诊断。

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.

基于LCD的同步电机参数辨识新方法

提出了一种基于局部特征尺度分解(LCD)的同步电机参数辨识新方法。该方法根据LCD可将同步电机突然短路分解为系列内禀尺度分量(ISC)之和,而且ISC按频率从高到低的顺序依次排列的特点,通过选择不同的ISC分量构造具有自适应能力的滤波器以滤除噪声、获取直流成分和基波电流。对获取的直流电流和基波电流分别运用改进稳健回归算法和Prony算法精确辨识同步电机参数。仿真信号结果表明,与基于EMD的突然短路电流分离方法相比,LCD的分解速度更快;与Prony算法相比,LCD联合Prony的辨识方法受噪声影响小,参数辨识精度高。试验结果进一步验证了所提方法的可行性和正确性。