轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提...轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。展开更多
局部均值分解(Local Mean Decomposition,LMD)算法的端点效应会使该算法分解求出的各分量在端点附近产生一些变形,严重的时候会使数据产生失真。针对该问题,提出了能量匹配延拓法来抑制端点效应,并且通过计算信号分解前后的能量来衡量...局部均值分解(Local Mean Decomposition,LMD)算法的端点效应会使该算法分解求出的各分量在端点附近产生一些变形,严重的时候会使数据产生失真。针对该问题,提出了能量匹配延拓法来抑制端点效应,并且通过计算信号分解前后的能量来衡量端点效应的影响大小。能量匹配延拓法,即从原始信号内部找出最符合信号趋势的波形对信号进行延拓,最大限度地维护信号的内在趋势。通过对仿真信号的分析,验证了该方法能有效抑制LMD方法中的端点效应问题。展开更多
局部均值分解方法(Local Mean Decomposition,LMD)是一种性能优越的旋转机械故障诊断的方法,它不仅可以准确地反映非平稳信号的时频分布,而且非常适合处理含有多分量成分的非平稳信号。但是由于LMD方法本身的缺陷,使得该方法存在着诸如...局部均值分解方法(Local Mean Decomposition,LMD)是一种性能优越的旋转机械故障诊断的方法,它不仅可以准确地反映非平稳信号的时频分布,而且非常适合处理含有多分量成分的非平稳信号。但是由于LMD方法本身的缺陷,使得该方法存在着诸如端点效应的处理方法、迭代终止条件的确定等问题。在介绍LMD方法的基础上,分别以改进的“自适应延拓法”和“信息熵判据”解决以上两个问题,并结合仿真软件上验证改进结果。展开更多
针对电力系统低频振荡非线性时变的特点,提出了一种基于改进局部均值分解(local mean decomposition,LMD)的电力系统低频振荡信号分析方法。利用改进的局部均值分解,电力系统中的单一多模态测量信号可以分解为一组乘积函数(product func...针对电力系统低频振荡非线性时变的特点,提出了一种基于改进局部均值分解(local mean decomposition,LMD)的电力系统低频振荡信号分析方法。利用改进的局部均值分解,电力系统中的单一多模态测量信号可以分解为一组乘积函数(product function,PF)分量的和。每个PF分量可以表示为一个调幅(amplitude modulated,AM)信号和一个调频(frequency modulated,FM)信号的乘积。其中,AM信号可以近似当作相应振荡模态的瞬时幅值,并由此计算阻尼信息;FM信号可以通过直接正交和插值相结合的综合方法,计算PF的瞬时频率。数值仿真和实际测量信号的计算结果证明了所提方法的有效性和可行性。展开更多
文摘轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。
文摘局部均值分解(Local Mean Decomposition,LMD)算法的端点效应会使该算法分解求出的各分量在端点附近产生一些变形,严重的时候会使数据产生失真。针对该问题,提出了能量匹配延拓法来抑制端点效应,并且通过计算信号分解前后的能量来衡量端点效应的影响大小。能量匹配延拓法,即从原始信号内部找出最符合信号趋势的波形对信号进行延拓,最大限度地维护信号的内在趋势。通过对仿真信号的分析,验证了该方法能有效抑制LMD方法中的端点效应问题。
文摘局部均值分解方法(Local Mean Decomposition,LMD)是一种性能优越的旋转机械故障诊断的方法,它不仅可以准确地反映非平稳信号的时频分布,而且非常适合处理含有多分量成分的非平稳信号。但是由于LMD方法本身的缺陷,使得该方法存在着诸如端点效应的处理方法、迭代终止条件的确定等问题。在介绍LMD方法的基础上,分别以改进的“自适应延拓法”和“信息熵判据”解决以上两个问题,并结合仿真软件上验证改进结果。