完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。

基于LMD和模型匹配的家电负荷识别算法

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。

带式输送机中间段托辊故障检测方法研究

为及时准确地判断托辊的安全运行状态,减少托辊故障运行,以某矿带式输送机中间段托辊实际运行工况为背景,研究托辊正常工况、轴承损坏和断裂的故障工况振动信号特征,采用离散小波变换(DWT)降噪处理采集的振动信号,通过局部平均分解(LMD)成若干PF分量之和,选取相关系数大的分量作进一步分析,将提取到的最佳特征作为反向传播神经网络(BPNN)输入,构建反向传播神经网络对托辊运行状态分类,并在某矿带式输送机上进行托辊运行状态诊断试验。试验结果表明:通过DWT-LMD-BPNN算法可以准确识别托辊故障类型,并确定托辊故障发生的位置,实现带式输送机中间段托辊故障超前预警,融合DWT-LMD-BPNN方法检测托辊故障的准确度为93%,可为后续搭建带式输送机智能监测平台提供研究基础。