基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明:采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。

机车故障诊断的局域均值分解解调方法

为了有效地识别机车走行部的早期故障,提高我国重载机车的运输能力,提出了一种针对机车故障振动信号的局域均值分解(LMD)解调诊断方法.LMD能够将多分量的调制信号自适应地分解成一系列乘积函数分量,分解与解调过程可同步完成.与Hilbert-Huang变换相比,LMD方法不需要通过Hilbert变换求解瞬时频率,从而避免了Hilbert变换加窗效应所带来的解调误差.由于不受Bedrosian和Nuttall定理的限制,不会出现负频率现象,通过滑动平均方法得到信号的局域均值和包络,因此不存在过包络、欠包络和断点效应.通过对实际机车走行部轴承和齿轮振动信号的分析,成功地提取了故障特征,与经验模式分解进行比较的结果说明,采用LMD方法提取尽可能多的有意义的调制分量,不仅避免了Hilbert变换加窗效应所带来的解调误差,而且更适合于多分量调制信号的处理.

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。

基于样条的振动信号局域均值分解方法

局域均值分解(Local mean decomposition,LMD)的主要思想是把一个时间序列的信号,分解成不同尺度的包络信号和纯调频信号,然后获得信号的时频分布。LMD算法用极值点来定义局部均值函数和局域包络函数,然后用滑动平均来平滑均值和包络函数,针对用滑动平均平滑均值和包络函数误差较大的缺点,提出了采用三次样条对上、下极值点分别插值求得上下包络线,然后由上下包络线的平均获得局部平均函数,由上下包络线相减的绝对值获得局部包络的方法。通过对非线性和实例振动信号的实验研究表明,基于样条的LMD方法的分析精度比LMD方法高。

局域均值分解分析的管道泄漏孔径识别及定位

提出一种基于局域均值分解的RMS熵及时延估计的天然气管道泄漏孔径识别及定位方法。该方法首先对泄漏信号进行LMD分解,得到若干具有物理意义的PF分量并计算其有效值,进而结合信息熵的概念得出不同泄漏孔径的RMS熵,将不同孔径泄漏信号的多个RMS熵组成特征向量输入SVM进行识别。为提高互相关法定位精度,提出根据LMD分解结果的峭度特征进行重构再进行互相关获取时延信息,并结合泄漏信号的传播速度,实现泄漏点定位。实验结果表明该方法能够实现管道泄漏孔径有效识别及定位,且与基于EMD的RMS熵方法相比,识别效果更好,较直接相关法的定位精度明显提高。

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。

基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究

论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。

基于局域均值分解的机械故障欠定盲源分离方法研究

结合局域均值分解(Local mean decomposition,LMD)和盲源分离各自的特点,提出一种基于局域均值分解的欠定盲源分离方法。该方法利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数(Production functions,PF)分量和原观测信号组成新的观测信号。对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计。该方法能有效解决传统的盲源分离方法要求源信号满足非高斯、平稳和相互独立的假设,且要求观测信号数多于源数的不足等问题。仿真结果表明,所提出的方法是有效的,在处理非平稳信号混合的欠定盲分离方面,比传统时频域的盲源分离方法得到了更好的分离效果。将提出的方法应用到滚动轴承的混合故障分离中,试验结果进一步验证该方法的有效性。

基于局域均值分解和Wigner高阶矩谱的机械故障诊断方法的研究

结合局域均值分解(Local mean decomposition,LMD)方法和Wigner高阶矩谱,提出一种基于局域均值分解的Wigner高阶矩谱的机械故障诊断方法,该方法保留了LMD和Wigner高阶矩谱的所有优良性能,有效地抑制了Wigner高阶矩谱的交叉项的干扰。仿真结果表明,提出的方法优于直接Wigner高阶矩谱和Choi-Williams核滤波后的Wigner高阶矩谱。最后,将该方法应用到轴承故障诊断中,实验结果进一步验证了该方法的的有效性。

基于局域均值分解的自适应滤波滚动轴承故障特征提取

依据小波变换带通滤波特性和相关分析提出一种滚动轴承故障特征提取新方法。针对带通滤波器参数难以快速自适应选取的问题,提出利用局域均值分解(Local Mean Decomposition,LMD)所得乘积函数(Production Function,PF)的统计特征快速设定滤波器中心频率,通过分析滤波信号小波系数谱改进香农熵(Shannon熵)与滤波器带宽参数间的关系给出滤波器带宽参数优化策略。对仿真信号和内外圈故障轴承信号的分析结果表明,该方法能自适应优化小波滤波器参数,有效提取滚动轴承冲击性故障特征。

基于排气噪声局域均值分解的失火故障诊断

针对坦克柴油机气缸工作状态不解体检测问题,在实车上模拟了失火故障,测取了不同状态下排气口附近的噪声信号;利用局域均值分解获得了具有明显幅值调制特征的排气噪声主频率成分;提取包络信号最大幅值归一化后的标准差作为特征参数,提出了一种柴油机气缸工作不均匀性评价与失火故障检测的新方法。应用结果证明了此方法的有效性。

局域均值分解和小波阈值在大地电磁噪声压制中的应用

大地电磁测深法是基于电磁感应原理,利用天然交变电磁场来研究地下岩层的电学性质及其分布特征。然而,天然电磁场频带范围宽、信号微弱,在实际测量中大地电磁信号极易受到各种电磁噪声干扰,严重影响了后续的电磁法反演解释水平。针对这一难题,将局域均值分解(LMD)的自适应性和小波分析的多分辨性相结合,提出基于局域均值分解和小波阈值的大地电磁噪声压制方法。将含噪信号进行LMD分解得到若干阶乘积函数(PF)分量;根据大地电磁信噪特征保留PF_1分量,仅对其余各阶PF分量选取合适的小波阈值进行降噪处理;叠加重构获得大地电磁有用信号。通过计算机模拟典型强干扰,研究不同小波函数、分解层数及阈值方式下算法的去噪性能,并将其应用于矿集区实测大地电磁数据处理。实验结果表明,所提方法能较好地提取出叠加在微弱大地电磁信号上的大尺度强干扰的轮廓特征,视电阻率曲线更为光滑、连续,低频段的大地电磁数据质量得到了明显改善。

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。

随机共振消噪和局域均值分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(SR)和局域均值分解(LMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行LMD分解,通过求取乘积函数(PF)幅值谱从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号的检测,可有效地应用于轴承的故障诊断。

用于MR图像非局域均值去噪的边缘增强策略(英文)

非局域均值(NLM)滤波有很好的去噪效果并已成功地应用于磁共振图像的去噪中,但与所有去噪方法相同,总是会在一定程度上模糊图像细节.该文提出将从原始图像中提取出来的高频信息与NLM去噪图像相融合,来还原在去噪过程中丢失的细节.首先利用一种基于拉普拉斯金字塔的多分辨率方法,从原始图像中提取出包含丰富的边缘信息的高频组分.然后利用作者提出的一种新的基于SUSAN算子的边缘检测算子产生一幅连续的边缘图,并利用该边缘图将高频组分与NLM方法去噪的图像相融合.该方法在图像的平滑区域取得了良好的去噪效果,同时可以保留甚至增强图像的细节.同时,该方法对图像的增强不会导致增强图像中常见的伪影.

基于局域均值分解和BP神经网络的大坝变形预测

从时频联合域分析角度出发,探讨基于局域均值分解(LMD)和BP神经网络模型的大坝变形预测方法;利用局域均值分解把时间序列分解为多个具有不同尺度的PF分量,然后再用BP神经网络对其进行预测并将结果进行叠加重构合成。实例结果表明,基于LMD-BP的大坝变形预测方法的预测精度高于多项式曲线拟合预测模型,其预测结果与实际监测值相比具有较高的一致性。

基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别

针对天然气管道泄漏受孔径、传感器距离、管道内压力等多种因素影响,特征提取及识别算法较为复杂的问题,提出了基于总体局域均值分解-相对熵的特征提取算法并结合稀疏表示分类的泄漏孔径识别新方法。该方法采用总体局域均值分解方法对泄漏信号进行自适应分解,得到不同孔径泄漏信号的特征信息,并根据KL散度选择包含主要泄漏信息的PF分量,在此基础上提取多种时频特征参数,获取全面准确表征泄漏信号的特征向量;针对小样本复杂信号的分类,提出稀疏表示分类器实现泄漏孔径准确分类。该分类器采用过完备字典求得测试信号的最稀疏解,并以此解作为测试信号的稀疏重构系数,以获取测试信号在不同类别中的重构信号,最终通过判断测试信号与重构信号的残差值大小完成泄漏孔径分类。实验结果表明,所提出的算法比传统的SVM及BP分类算法识别准确率高。

基于局域均值分解的滚动轴承故障诊断方法

论述了一种新的自适应时频分析方法——局域均值分解的基本原理和算法,并将该方法引入到滚动轴承故障诊断中,提出了一种基于局域均值分解的滚动轴承故障诊断方法,该方法先将一个故障信号自适应地分解成若干个具有一定物理意义的生产函数分量,然后求出每个PF分量的瞬时幅值和瞬时频率,从而获得故障信号的特征信息。试验结果验证了该方法的有效性。

局域均值分解在MEMS陀螺随机误差消噪上的应用

针对标准Kalman滤波需要建立准确的系统模型、小波阈值降噪对小波基和阈值的选取依赖于经验的不足,将局域均值分解(LMD)方法引入MEMS陀螺的随机误差滤波。该方法可自适应地将随机误差信号分解为若干PF分量之和,且对各分量进行小波降噪处理,将处理后的各分量相加得到降噪信号。实验分析表明该滤波方法效果明显。

基于局域均值分解和多核最小二乘支持向量机的短期风速预测

针对风速时间序列的非线性和非平稳性,提出一种基于局域均值分解(Local Mean Decomposition,LMD)和多核最小二乘支持向量机的短期风速预测模型。该方法首先对LMD对风速时间序列进行多层分解,得到一系列的PF(Product Function,PF)分量;然后运用多核最小二乘支持向量机模型对分解后的各PF分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。