基于MLMD的电能质量扰动检测方法

针对局部均值分解(Local Mean Decomposition,LMD)算法应用于电能质量扰动检测时存在“端点效应”与滑动平均收敛速度慢,严重影响测量精度的问题,提出一种改进局部均值分解方法(Modified LMD,MLMD)。通过分段三次Hermite插值取代滑动平均法,有效改善LMD收敛慢、受平滑长度影响的弊端。为避免延拓长度不够而导致的“延拓失败”情形,在镜像延拓法的基础上结合“奇延拓”方法提出改进镜像延拓法。针对“直接法”求频率存在“毛刺现象”的弊端,文中改用希尔伯特变换(Hilbert Transform,HT)求取瞬时频率。最后,将MLMD分别应用于单一扰动信号与复合谐波信号的检测,相较传统的经验模态分解方法(Empirical Mode Decomposition,EMD),MLMD方法可有效抑制“端点效应”,同时能更准确的定位扰动信号的起止时刻,并且对高次谐波信号有更好的提取能力。

基于EOE_LMD和阶次跟踪分析的变转速轴承故障诊断

振动信号分析是轴承故障诊断中的重要技术手段之一。变转速工况下的滚动轴承振动信号是典型的非平稳信号,并且在转频变化较小的工况中还存在噪声干扰的问题,使传统的时频分析技术难以应用。为解决该问题,提出了一种基于经验最优包络(empirical optimal envelope,EOE)的局部均值分解(local mean decomposition,LMD)和采用分段线性插值的计算阶次跟踪(computing order tracking,COT)算法相结合的故障诊断方法。首先,确定低通滤波器的截止频率和滤波阶数,对滚动轴承振动信号进行滤波,并对滤波后的包络信号进行COT,以获得角域平稳信号。然后,利用EOE_LMD对重采样后的平稳信号进行处理,得到若干乘积函数(product function,PF)分量。最后,通过计算各分量的信息熵和相关系数,选取合适的分量进行阶次分析,以判断变转速滚动轴承的故障类型。结果表明,该方法可以消除转速波动对故障特征提取的影响,在不同转速变化条件下对滚动轴承具有良好的故障诊断能力。

利用LMD-SVD方法进行GNSS坐标时间序列降噪

为降低噪声对GNSS坐标时间序列的影响、有效提取时间序列中的有用信息,在局部均值分解(LMD)降噪方法的基础上引入奇异值分解(SVD)方法,建立了LMD-SVD方法。首先通过LMD方法将时间序列分解为若干个乘积函数(PF)和余量,PF分量可反映时间序列的时频分布特性;然后通过连续均方根误差方法确定高频分量与低频分量的分界点;最后对经SVD方法降噪后的高频分量、低频分量和余量进行重构,得到最终降噪结果。利用5个GNSS测站U方向坐标时间序列对该方法进行验证。结果表明,相较于单一LMD方法,LMD-SVD方法结果的信噪比与相关系数分别提高了34.28%与17.11%,均方根误差降低了51.31%,降噪效果更好。

基于LMD边际谱能量熵的高压断路器机械故障诊断

断路器分合闸振动信号蕴含着丰富的机械特征信息,为准确提取其特征,提出一种基于LMD边际谱能量熵与GPSO算法相结合的高压断路器机械故障诊断方法。首先将原始振动信号进行小波软阈值去噪处理,然后将去噪后的信号利用LMD进行分解,获取若干反映断路器操动过程中机械状态信息的PF分量;然后依据各PF分量与原始信号相关性确定包含主要状态信息的PF分量,并将前3阶分量进行希尔伯特变换(Hilbert变换),求取其边际谱能量熵作为特征向量;最后将特征向量输入到GPSO-SVM分类器,实现断路器机械故障诊断。实验结果表明:LMD边际谱能量熵能准确反映断路器机械故障特征,GPSO-SVM可有效辨识断路器机械故障。

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法(SSA)优化支持向量机(SVM)的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机(SVM)对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2%,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。

基于LMD降噪和互相关的声波飞行时间测量法

针对声学法测温中的环境噪音问题,该文提出一种基于局部均值分解(LMD)和互相关(CC)的声波飞行时间测量法。首先依据噪音水平决定是否短截信号降低模态混叠的概率;而后对信号进行LMD法分解,基于该文提出的有用分量筛选法重构降噪信号;最后通过对降噪信号的互相关运算获得声波飞行时间估值。用模拟粮仓中的实测数据,验证了所提方法的有效性。测试结果表明,环境噪音较小时,LMD-CC法与CC法、EMD-CC法、VMD-CC法表现相当;当环境噪音较大时,LMD-CC法的稳定性和准确性明显优于其他3种方法;与EMD-CC法、VMD-CC法相比,LMD-CC法在运行速度上有明显优势。

凯迪拉克展示V-LMDH赛车——全新电动赛车原型的最终设计呈现大胆的V系列颜色和图形设计

1月12日,凯迪拉克公布了3款全新电动V-LMDh赛车的外观,在1月在戴托纳举行的劳力士24小时耐力赛上首次亮相。3种独特设计代表了全新凯迪拉克V-LMDh参赛团队,每个都拥有与凯迪拉克V系列徽标不同的醒目颜色。“凯迪拉克已经准备好与北美及国际上最优秀的赛车比赛—包括世界上最难比赛之一的勒芒24小时耐力赛。”凯迪拉克全球副总裁罗里·哈维表示,“随着凯迪拉克迈向全电动未来,全新V-LMDh车型进一步推动了我们探索全新先进性能技术的决心。”

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local Mean Decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了该方法的有效性。

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition,简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。

基于LMD和AR模型的转子系统故障诊断方法

提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。

基于LMD和样本熵的齿轮故障特征提取方法研究

针对齿轮故障信号的非线性、非平稳特征,采用局部均值分解(LMD)结合样本熵的方法提取故障特征.采用滑动平均法构造均值函数与包络函数,将原始信号分解得到一系列的PF分量,通过剔出无意义的PF分量,筛选出反映真实状态信息的分量,然后计算筛选出的PF分量的样本熵.不同故障信号的PF分量的样本熵的大小不一,规律可寻,据此可以将样本熵的值作为元素构造故障特征向量.通过实验模拟齿轮正常、齿根裂纹、断齿和缺齿这4种状态,比较LMD-近似熵与LMD-样本熵的分类效果,实验模拟表明:LMD-样本熵比LMD-近似熵有更好的区分效果.

基于自相关分析和LMD的滚动轴承振动信号故障特征提取

滚动轴承的故障信号是非平稳的、多分量的调制信号,特别是故障早期,由于调制源弱,早期故障信号微弱且受周围设备的噪声干扰,导致故障特征难以识别。采用自相关分析和局域均值分解(LMD)方法提取故障特征。首先采用自相关分析提取信号中的周期成分,消除噪声的干扰,然后利用局域均值分解方法将多分量的调制信号分解为若干个PF分量之和,再结合共振解调技术对PF分量进行包络分析以提取故障特征频率。实验证明了方法的有效性。

基于LMD样本熵与SVM的往复压缩机故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD样本熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其样本熵形成有效的特征向量。使用SVM作为模式分类器,诊断得出轴承间隙故障类型。同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更高的识别准确率。

基于LMD和平滑Teager能量算子解调的电机滚动轴承故障特征提取

作为电机转子的支撑元件,电机轴承故障在电机故障中占有很大比例。针对电机滚动轴承振动信号多分量调幅调频的特点,提出一种基于局域均值分解(LMD)和平滑Teager能量算子的电机轴承故障特征提取方法。该方法首先通过LMD将多分量调制信号分解为若干个单分量调制信号,再运用平滑Teager能量算子对包含主要故障信息的分量进行解调,从而准确地分析出轴承的故障特征。模拟和实例证明了该方法的有效性。

基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。

基于LMD的模态参数识别方法

采用局部均值分解(Local Mean Decomposition,LMD)方法来识别机械系统固有频率和阻尼比。局部均值分解(LMD)方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF(Production Function)分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法(Empirical Mode Decomposition,EMD)对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。

基于PCA和LMD分解的滚动轴承故障特征提取方法

局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。

基于LMD18200组件的直流电机驱动器的设计

设计了基于LMD18200组件的直流电机驱动器,介绍了专用于运动控制的H桥组件LMDl8200。该驱动器应用于具有非驱动关节机器人控制系统,取得了良好效果。

边坡变形的LMD-ELM多尺度预测模型研究

为准确预测边坡变形,有效预防边坡灾害发生,提出构建基于局域均值分解(LMD)和极限学习机(ELM)的边坡变形多尺度预测模型。用LMD方法,将边坡变形时间序列分解为多尺度且相对平稳的随机项、周期项和趋势项。针对各项时间序列,分别构建基于ELM的预测模型。经累加各分项预测值,获得模型最终预测结果。以甘肃某边坡变形为案例,进行实证分析。结果表明:LMD-ELM模型能够充分挖掘数据内部隐含的变形规律,有效诠释多尺度变形与其诱发因素间复杂的响应关系,预测精度、运行速度和拟合泛化能力较其他模型有所提高。