为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然...为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断。利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征。展开更多
针对脑电信号非平稳非线性特征,提出基于改进的局部均值分解(Local Mean Decomposition,LMD)运动想象信号分类方法。首先结合改进LMD算法和加窗原则选取4-6 s想象信号作为分类数据,提取包含μ节律和β节律的PF分量;其次计算所选分量...针对脑电信号非平稳非线性特征,提出基于改进的局部均值分解(Local Mean Decomposition,LMD)运动想象信号分类方法。首先结合改进LMD算法和加窗原则选取4-6 s想象信号作为分类数据,提取包含μ节律和β节律的PF分量;其次计算所选分量的样本熵值;最后用支持向量机进行分类预测,并用分类准确率进行评估。实验结果表明,运用改进LMD比传统LMD方法的识别率更高,从而验证该方法的有效性。展开更多
文摘为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断。利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征。
文摘针对脑电信号非平稳非线性特征,提出基于改进的局部均值分解(Local Mean Decomposition,LMD)运动想象信号分类方法。首先结合改进LMD算法和加窗原则选取4-6 s想象信号作为分类数据,提取包含μ节律和β节律的PF分量;其次计算所选分量的样本熵值;最后用支持向量机进行分类预测,并用分类准确率进行评估。实验结果表明,运用改进LMD比传统LMD方法的识别率更高,从而验证该方法的有效性。