局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法——局部波动特征分解(Local Oscillatory-Characteristic Decomposition,LOD),该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-Oscillatory Component,MOC),非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解(Empirical Mode Decomposition,EMD)和局部均值分解(Local Mean Decomposition,LMD)进行了对比分析,结果表明了LOD的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。

局部波动特征分解及其在齿轮包络分析中的应用

提出了一种新的自适应非平稳信号分析方法——局部波动特征分解(Local Oscillatory-Characteristic Decomposition,LOD),该方法以信号本身的时间尺度特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-Oscillatory Component,MOC),非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过对仿真信号的分析将LOD和经验模态分解(Empirical Mode Decomposition,EMD)进行了对比,结果表明了LOD的优越性。同时,针对多分量调制的齿轮故障振动信号在包络分析中的特点,将LOD应用于齿轮故障振动信号的分析,对齿轮实验信号和实际信号的分析结果表明,LOD可以有效地应用于齿轮的包络分析。

基于噪声辅助局部波动特征分解的齿轮裂纹故障定量诊断方法

将齿轮故障机理研究与故障诊断方法相结合,提出了一种新的基于噪声辅助局部波动特征分解的齿轮裂纹定量诊断方法。首先,建立了带裂纹齿轮系统动力学模型,获得不同裂纹程度下的动力学响应,从中提取对故障敏感而与工况无关的特征参数构成特征向量矩阵,输入到支持向量回归机中,建立了特征参数与齿轮裂纹程度之间的映射关系。然后,通过这种映射关系,对实际的齿轮裂纹信号采用噪声辅助LOD方法进行特征提取,实现了齿轮裂纹的定量诊断。

局部波动特征分解的模态混淆问题研究

局部波动特征分解(Local oscillatory-characteristic decomposition,LOD)方法是一种新提出的自适应时频分析方法。该方法以信号本身时间尺度特征为基础,采用微分运算、坐标域变换运算、分段线性变换等运算手段将信号自适应的分解成若干个瞬时频率具有物理意义的单一波动分量(Mono-oscillation component,MOC);但是,在分解过程中会产生模态混淆现象,使得分析结果失去信号的真实物理意义。针对LOD的模态混淆问题,采用仿真信号分析了在LOD分解下白噪声的统计特性,从而进一步获取LOD的滤波器组结构。在此基础上借鉴总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)方法,通过对目标信号不断添加不同的白噪声,以达到解决LOD的模态混淆现象的目的。通过分析仿真信号与试验信号,结果证明添加白噪声能够有效解决LOD方法的模态混淆问题。

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。