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。

基于BIC-PCA和LMD的朔黄铁路边坡变形预测方法

针对全球卫星导航系统(GNSS)监测数据处理中噪声抑制和变形信息提取精度不高等问题,提出一种联合使用贝叶斯信息准则(BIC)-主成分分析(PCA)和局部均值分解(LMD)的GNSS铁路边坡变形数据处理及信息提取方法:考虑PCA主分量个数确定,将贝叶斯信息准则引入PCA建立BIC-PCA模型;进而利用BIC-PCA对变形监测数据进行分析,实现噪声抑制;然后利用LMD算法对噪声抑制后的监测数据进行分析,从中提取周期项、趋势项和波动项等隐含的变形信息;最后建立支持向量回归(SVR)模型,对未来变形趋势进行预测。实验结果表明,所提方法预测精度较高且噪声稳健性较强,预测结果的均方根(RMS)误差和平均预测误差(APRE)分别为6.30和7.26,远小于反向传播(BP)神经网络和灰色GM(1,1)模型。

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。

LMD算法与运动想象脑电信号的时频分析

脑电信号是极其复杂的非平稳信号,为了精确处理运动想象脑电信号,采用LMD(局域均值分解)方法对其进行时频分析。首先给出仿真信号的LMD分解及时频分布,而后对左右手运动想象脑电信号进行LMD时频分析。研究结果表明,LMD具有较强的时频刻画能力,能够精确描述脑电信号的非线性时变特性,是对脑电信号进行时频分析的有效方法。

基于样条的振动信号局域均值分解方法

局域均值分解(Local mean decomposition,LMD)的主要思想是把一个时间序列的信号,分解成不同尺度的包络信号和纯调频信号,然后获得信号的时频分布。LMD算法用极值点来定义局部均值函数和局域包络函数,然后用滑动平均来平滑均值和包络函数,针对用滑动平均平滑均值和包络函数误差较大的缺点,提出了采用三次样条对上、下极值点分别插值求得上下包络线,然后由上下包络线的平均获得局部平均函数,由上下包络线相减的绝对值获得局部包络的方法。通过对非线性和实例振动信号的实验研究表明,基于样条的LMD方法的分析精度比LMD方法高。

基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究

论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。

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。

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。

波形曲率延拓在局域均值分解中的应用

局域均值分解(LMD)是一种能够将复杂的调幅调频信号自适应地分解为一系列单分量的调幅调频信号的处理方法,其分解过程存在端点效应,分解结果有一定程度的失真。针对此问题,提出根据波形曲率特征对信号端点进行极值延拓,通过特征波的曲率波动来筛选与边界波形最为相似的数据段,在此基础上将波形匹配曲率估计应用于LMD分解过程中,并与镜像延拓及自适应波形匹配延拓方法相比较,验证了所提方法的优点。使用仿真信号与实际的齿轮故障数据进行试验与检测,结果表明,所提方法可以有效改善LMD分解过程的端点效应,提高分解精度。

基于LMD-BA-ELM的边坡变形时序非线性预测模型研究

为分析和预测边坡变形,基于局域均值分解(LMD)、蝙蝠算法(BA)和极限向量机(ELM)的基本原理,建立边坡变形时序非线性预测模型。用LMD法将边坡变形时序样本分解为多组相对平稳的分量;用BA对ELM的参数进行全局寻优,构建BA-ELM预测模型,并对各分量进行滚动预测,经叠加各分量预测值,得到边坡变形最终预测结果。以某露天矿边坡变形实际监测数据为例,进行多模型对比分析。结果表明:LMD-BA-ELM模型预测的平均绝对误差为0.151 0 mm,平均相对误差为1.287 3%,运行时间为7.614 3 s;能够充分挖掘边坡变形的内部规律,有效降低其非线性特征。

自适应LMD融合新小波阈值函数的信号去噪

针对非线性非平稳信号的去噪问题,基于LMD分解噪声的特征,并融合自适应寻优函数,提出了一种基于局部均值分解新小波阈值函数去噪方法。通过仿真信号和实测工程信号验证,比较EMD滤波、Harr小波、LMD滤波和LMD-新小波阈值函数4种算法的信号去噪效果,并采用3种评价因子对各种算法的去噪效果进行评价。结果表明,文中提出的LMD-新小波阈值函数方法能够基于白噪声分解特征,充分发掘数据本身所蕴含的物理机制和物理规律,融合新阈值函数,相比于其他传统方法在信号去噪方面效果较好。

露天矿边坡变形的LMD-Elman时序滚动预测研究

为准确预测边坡变形,采用局部均值分解(LMD)与Elman神经网络相结合的方法,构建基于LMD-Elman的露天矿边坡变形的滚动预测模型。通过LMD将时序样本分解为多个分量,利用Elman神经网络对各分量进行滚动预测,再叠加各预测值重构最终理论预测值。以某露天矿边坡实际监测数据为例,进行仿真预测。结果表明:监测数据自身携带诱导边坡变形及失稳的重要信息,基于LMD-Elman的滚动预测能有效揭示边坡变形的波动性、趋势性和周期性特征;模型预测结果的平均绝对误差为0.056 8 mm,平均相对误差为2.756 8%,与单一Elman模型相比,预测精度显著提高。

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过LMD将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。

基于TSHI的LMD振动传感信号特征量提取方法

针对复杂、非平稳振动传感信号特征量提取的需求,研究一种基于三角Shepard的Hermite插值改进算法TSHI,并提出一种基于TSHI的LMD振动传感信号特征量提取方法。TSHI将二元Hermite插值函数和密切三角Shepard基函数相结合,构建复杂、散乱振动传感信号的包络曲线插值多项式,该算法在插值过程可根据插值点与所在三角形各顶点的时间距离调整局部插值曲线,使包络估计曲线更合理。基于TSHI的LMD方法将振动传感信号分解为若干个包含时频特征尺度的乘积函数分量PF分量,再将各主要PF分量的能量组合、构成信号特征量向量。试验结果表明,TSHI对复杂、高频率振动传感信号的包络曲线插值可避免相位差、过包络和欠包络等问题,插值结果RMSE小;应用基于TSHI的LMD方法的相关向量机RVM故障诊断模型对振动传感器各种状态的诊断正确率接近100%。

基于改进LMD和综合特征指标的滚动轴承故障诊断

局部均值分解(local mean decomposition,LMD)适用于分析非平稳的滚动轴承故障信号。文章针对LMD存在的端点效应以及敏感分量难以筛选的问题,提出一种基于匹配误差的四点波形延拓方法来改善端点效应,将综合特征指标与K-means聚类分析相结合筛选敏感分量;轴承故障信号经改进的LMD分解为若干个乘积函数(product function,PF)分量;计算所有PF分量的8个参数作为综合特征指标,再利用K-means聚类分析进行分类,区分出敏感分量与虚假分量,并重组敏感分量;最后利用包络分析成功提取到故障特征频率。结果表明该方法是一种有效的滚动轴承故障诊断方法。

结合LMD云模型和ABC-LSSVM的模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。

基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法

研究了脑电信号特征的提取。考虑到传统的脑电信号特征提取方法不能够很好地刻画脑电信号特征,因而会给不同意识任务下运动想象脑电信号的分类带来困难,该研究提出了一种基于局部均值分解(LMD)和多尺度熵(MSE)的脑电信号特征提取方法。该方法首先把脑电信号自适应地分解为一系列具有物理意义的乘积函数(PF)分量;然后选取有效的PF分量并计算多尺度熵,将多尺度熵组成特征向量;最后将其作为支持向量机(SVM)的输入来对脑电信号进行分类识别。实验表明该方法能够有效地提取脑电信号的特征,从而验证了该方法的有效性和可行性。

小波降噪和局域均值分解的齿轮故障特征提取技术

针对齿轮系统非线性、非平稳性特点及传统时频分析方法的局限性,提出一种将小波和局域均值分解(Local mean decomposition,LMD)相结合进行齿轮故障特征提取的方法。该方法将原始信号通过小波分解再重构进行处理,以降低噪声的干扰,然后对重构信号进行LMD分解,并且对分解后所得到的乘积函数(PF)分量进行筛选。对筛选后的乘积函数进行包络谱分析,提取其故障特征进行研究。结果表明,两者相结合是一种很有效的故障特征提取方法,减弱了噪声对信号的干扰,可以实现对其振动信号故障特征的提取和诊断。

基于LMD非线性特征参数识别的结构动态检测研究

为了改变传统模态参数识别方法无法识别变工况环境下结构响应的状况,更好地满足土木工程结构健康监测的需求,提出了基于LMD的非线性特征参数识别方法。采用LMD法对施加扰动的建筑结构加速度响应信号分解得到PF分量,进而求出每个PF分量的瞬时频率和瞬时幅值,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。本文以多层建筑结构的三维有限元模型为例,对模型施加任意方向的扰动,通过理论分析和计算,并与仿真分析结果对比,验证了基于LMD的结构动态检测分析方法的有效性。