基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题。针对此问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-extracting transform,STET)的故障特征提取方法。首先对滚动轴承故障信号进行RLMD处理,得到一系列故障信息丰富的特征分量。然后利用二阶瞬态提取变换善于提取信号中强脉冲分量的特点,对筛选出的分量进行二阶瞬态提取变换以提取脉冲故障特征进行诊断分析。实验分析结果表明,该方法能够有效地提取出故障特征,且特征提取效果优于传统诊断方法,适用于滚动轴承故障诊断。

基于多步分解的股价预测模型

金融领域一直备受关注,且股价受多种因素影响,其预测也存在一定的挑战性。为准确预测股价,为投资者和交易者提供有益的决策支持,本研究旨在提出一种基于多步分解的股价预测模型。首先通过变分模态分解(VMD)分解原始序列,重构高复杂成分,然后应用鲁棒局部均值分解(RLMD)进行二次分解,最后利用PSO-LSTM模型进行预测。为验证所提模型的有效性,将股票数据经VMD-MFE-RLMD分解与没有分解、只有VMD分解以及传统模型CNN、SVR、GRU进行对比,在沪深300指数数据集上的结果显示:股票数据经VMD-MFE-RLMD分解的预测误差MAE、MSE、RMSE、MAPE均小于没有分解以及只经VMD分解的预测误差,且低于传统预测模型的预测误差,提高了预测精度。最后,将此模型应用在上证50指数数据集上,同样取得了较好的预测结果,再次证明了所提模型在股价预测上具有更高的预测精度。

一种GNSS-MR海平面高度反演模型研究

针对大地测量型GNSS接收机获取的信噪比(Signal to Noise Ratio,SNR)观测值存在趋势项分离不佳和信号叠加干涉的问题,融合自适应噪声完备集合鲁棒局部均值分解方法对原始SNR信号进行分解,有效分离SNR观测值中的趋势项并提取相应的潮位信号,以布设在美国华盛顿州星期五海港岸边的SC02测站为例,利用实测数据反演潮位变化并与传统的低阶多项式拟合方法进行对比分析。结果表明,融合CERLMDAN方法的反演结果的均方根误差(Root Mean Square Error,RMSE)、相关系数分别为0.56 m和0.97,相比于传统方法的反演精度提升了33.7%。

基于ARLMD和IMOMEDA的滚动轴承早期微弱故障诊断

为实现强噪声干扰下滚动轴承早期微弱故障损伤特征的准确识别,提出一种自适应鲁棒局部均值分解(adaptive robust local mean decomposition,ARLMD)和改进多点最优最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)相融合的诊断新方法。首先,利用基于斯皮尔曼相关系数的ARLMD算法对原始信号进行处理,按照线性峭度(L-kurtosis)最大原则筛选出蕴含丰富故障信息的最佳分量,实现原始信号信噪比的有效提升;然后,针对多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)效果受滤波长度影响较大的特点,提出基于余量自相关能量比(residual autocorrelation energy ratio,RAER)的最优滤波长度选取策略,对最佳分量进行IMOMEDA处理,实现周期性冲击特征强化放大;最后,计算解卷积信号的包络谱,从中提取出特征频率信息。仿真、实验及工程信号分析结果表明,所提方法可有效提取强噪声下的微弱故障特征,实现轴承损伤的精确诊断。

基于多小波和改进双树复小波的滚动轴承故障诊断方法

当旋转机械中发生局部缺陷时,其振动信号往往由周期性冲击分量及其他分量构成,其中冲击分量反映滚动轴承的状况。由于强烈的背景噪声以及信号的耦合作用,滚动轴承的故障特征频率往往被模糊。针对该问题提出了一种基于多小波和改进双树复小波的滚动轴承故障诊断方法。首先,对采集到的振动信号进行多小波相邻系数自适应阈值降噪处理;然后,对降噪后的信号进行双树复小波分解,利用鲁棒局部均值分解获取各小波分量的主频率分量;最后,利用基尼系数选择出最佳子带并进行包络谱分析,实现轴承的故障诊断。通过轴承故障仿真和实测数据的分析对比,证明了该方法可有效辨别出滚动轴承的典型故障,提高滚动轴承故障的诊断效果,同时与快速谱峭度进行对比,表明了该方法的优越性。

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法。利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断。利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性。结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障。

基于RLMD和WSET的变转速下滚动轴承故障诊断

在变转速工况下,对起重机、风机等重载设备中滚动轴承的故障诊断不够准确。针对这一问题,提出了一种基于鲁棒局部均值分解(RLMD)和同步提取小波变换(WSET)的故障诊断方法。首先,以振动信号分析为基础,研究了变转速下的滚动轴承的故障特征频率,对RLMD和WSET公式进行了推导;利用RLMD对滚动轴承振动信号进行了模式分解,以最大互相关系数原则选取了最佳分量;然后,对选取的分量进行了WSET,获得了能量集中的时频表示,从时频平面中提取了故障特征曲线,并将其与理论故障特征频率曲线进行了比较,从而进行了变转速下的故障诊断;最后,研究设计了多分量信号的数值模拟仿真实验,进行了轴承-齿轮故障综合试验台变转速滚动轴承的故障诊断。研究结果表明:所提出的方法能够很好地消除噪声的影响,获得准确的故障特征频率曲线,在变转速滚动轴承故障诊断中具有有效性。