基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包(KNNCH)分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解(LCD)是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则(BIC)估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。

自主致密LCD和改进的广义局部频率解调方法

自主致密局部特征尺度分解方法通过确定待分解信号的最小信号极值尺度以度量其信号尺度的方式,采用新增伪极值点均匀化信号尺度的方法,可有效抑制局部特征尺度分解的模态混叠。在广义局部频率解调的基础上,基于强局部加权回归和伪端点方法的原理,提出了改进的广义局部频率解调方法。该方法通过分析广义局部频率和广义局部幅值突变情况,在广义局部频率和广义局部幅值中插入伪端点,并采用强局部加权回归对新增伪端点后的广义局部频率和广义局部幅值进行分段平滑处理,可有效改进广义局部频率和广义局部幅值曲线的平滑效果。采用仿真信号将自主致密局部特征尺度分解与局部特征尺度分解、经验模态分解进行对比,同时将改进的广义局部频率解调与希尔伯特变换、广义局部频率解调进行对比,结果证实了自主致密局部特征尺度分解和改进的广义局部频率解调方法的有效性。对转子碰摩故障实验数据的对比分析结果,进一步验证了该方法的有效性和实用性。

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。

基于CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Characteristic scale Decomposition,LCD)得到各去除端点效应的内禀尺度分量(Intrinsic Scale Component,ISC),最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.

基于LCD和GMM的滚动轴承寿命预测方法

滚动轴承寿命预测的关键在于振动信号特征提取和模式识别,提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后,提取各个分量的特征值并加入时间因子重构特征向量;然后利用GMM对全寿命数据的特征向量进行聚类,将全寿命数据在时域上分成若干个退化状态;最后将不同退化状态下的数据作为训练样本对神经网络进行训练,并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明,将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。

基于LCD能量相对熵的小电流接地故障选线方法

针对小波变换不具有自适应性、易受小波基种类影响的问题,及经验模态分解EMD(empiricalmo daldeco-mposition)存在的模态混叠现象,提出了一种基于局部特征尺度分解LCD(localcharacteristic-scale decomposi-tion)和能量相对熵的故障选线新方法。首先利用具有自适应性、抗混叠性的LCD对各线路暂态零序电流进行分解,计算各频带暂态能量;再结合能量相对熵对信号间的细微差异进行识别放大,根据各条线路综合能量相对熵的大小进行选线。通过在Matlab仿真平台上搭建具有5回出线的10kV线缆混合配电网发生单相接地故障的模型,验证了所提方法不受故障合闸角、故障距离和过渡电阻的影响,可实现正确选线。

基于LCD的同步电机参数辨识新方法

提出了一种基于局部特征尺度分解(LCD)的同步电机参数辨识新方法。该方法根据LCD可将同步电机突然短路分解为系列内禀尺度分量(ISC)之和,而且ISC按频率从高到低的顺序依次排列的特点,通过选择不同的ISC分量构造具有自适应能力的滤波器以滤除噪声、获取直流成分和基波电流。对获取的直流电流和基波电流分别运用改进稳健回归算法和Prony算法精确辨识同步电机参数。仿真信号结果表明,与基于EMD的突然短路电流分离方法相比,LCD的分解速度更快;与Prony算法相比,LCD联合Prony的辨识方法受噪声影响小,参数辨识精度高。试验结果进一步验证了所提方法的可行性和正确性。

基于LCD与峭度-能量比准则的滚动轴承故障诊断研究

针对局部特征尺度分解在滚动轴承故障诊断中出现未筛选有效分量的问题,通过峭度-能量比准则对LCD分解产生的内禀尺度分量(ISC)进行了筛选,提出了一种基于LCD分解与峭度-能量比准则的方法。首先对采集的滚动轴承振动信号进行了LCD分解,得到了不同能量的ISC分量,运用峭度-能量比准则筛选了有效的ISC分量;再计算了筛选后有效的ISC分量的能量熵和多尺度熵,并将计算的结果融合后构建了特征向量;最后通过支持向量机(SVM)的故障分类器,实现了滚动轴承的故障诊断。实验结果表明:采用峭度-能量比准则提取有效分量减少了冗余分量,滚动轴承内圈故障和外圈故障诊断准确率有了明显提高。

虚部噪声辅助LCD方法及其在遥测振动信号处理中的应用

针对局部特征尺度分解方法(Local Characteristic Scale Decomposition,LCD)的模态混叠以及集成局部特征尺度分解法(Ensemble LCD,ELCD)在集成平均时容易引入新的模态混叠、伪分量和运算量大等问题。提出一种基于虚部噪声辅助局部特征尺度分解法(Image Noise Assisted LCD,INALCD);首先以原信号为实部添加虚部白噪声构成复数信号,然后对复数信号在指定方向上进行投影,求取对称投影象限的基函数,通过投影后虚部白噪声均匀化原信号投影的极值点的分布,辅助信号分解过程中极值点的选取,抑制模态混叠,最后将对称投影象限的基函数进行线性组合消除噪声的影响,避免了ELCD因集成平均带来的相关问题。仿真和实测数据实验结果表明,该方法在降低模态混叠的同时,大大减少了计算量,性能优于LCD和ELCD方法。

BP-LCD方法及其在滚动轴承故障诊断中的应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中严重的端点效应,将BP神经网络应用到信号的延拓中,提出了一种提出基于BP神经网络延拓局部特征尺度分解(BP neural network endpoint extension Local Characteristic-scale Decomposition,BP-LCD)方法。该方法首先利用BP神经网络将待分解信号进行两端预测延拓,然后对延拓后的曲线进行LCD分解。通过仿真信号的分析,验证了该方法可以有效地抑制LCD方法中的端点效应;将该方法应用到实际滚动轴承的故障诊断中,结果表明了该方法的有效性。

LCD和SWT在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。

基于近似熵和LCD-KELM的滚动轴承故障诊断

由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断方法(LCD_KELM)。该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy,Ap En),使用KELM对随机选取的近似熵值进行训练,保存训练参数后,利用剩余的近似熵值进行测试,实验结果表明LCD_KELM具有较高的诊断准确率,能够对滚动轴承运行状态进行高精度诊断,从而判断滚动轴承的运转状况。

形态谱和LCD法提取超声波电动机陶瓷故障特征

压电陶瓷开裂是导致超声波电动机失效的主要原因之一。针对超声波电动机定转子机械耦合过程中的噪声影响,研究利用多尺度下的形态谱信息,重构孤极电压故障信号的方法。对重构信息进行LCD分解(LocalCharacteristic-scale Decomposition)并计算能谱熵,作为故障特征反映超声波电动机压电陶瓷片的开裂程度。在不同噪声等级的仿真信号下,对故障特征在噪声环境的适用性进行了分析。实验结果验证了该方法在超声波电动机压电陶瓷开裂故障特征提取上的可行性和有效性。

基于LCD和MCKD的轴承故障诊断

针对振动信号故障特征频率微弱且难以提取的问题,提出基于局部特征尺度分解(local characteristic-scale decomposition,LCD)和最大相关峭度反卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的故障诊断方式。通过对待测信号进行LCD分解,得到一系列的内禀尺度分量(intrinsic scale component,ISC),并根据相关系数,即峭度的筛选原则选择重构所需的真实分量。再利用MCKD对重构信号进行降噪处理,最后对降噪后的信号进行包络解调,提取故障特征信息。实验证明该方法在轴承故障诊断上具有一定的可行性。

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。

LCD全矢包络谱及其在轴承故障特征提取中的应用

针对电机滚动轴承故障特征提取问题,提出了一种基于局部特征尺度分解(Local Characteristic Decomposition,LCD)的全矢包络谱(Full Vector Envelope Spectrum,FVES)技术。该方法通过正交采样技术获取两个互相垂直方向的振动信号,然后用LCD分别将其分别分解成系列内禀模态分量(Intrinsic Scale Component,ISC)之和;其次,用Hilbert变换对两个方向的ISC进行包络解调得到包络信号;最后运用FVES融合两个方向上的包络信号得到全矢包络谱。电机滚动轴承外圈故障分析结果表明,较之单一方向上信号的包络谱,全矢包络谱的频谱结构更为清晰、幅值更大。

局部特征尺度与小波阈值协同下密封摩擦面AE信号降噪研究

针对机械密封低速阶段存在信号内源耦合与外部干扰因素的共性问题,提出了信号局部特征尺度分解(local characteristic-scale decomposition,LCD)与小波阈值协同降噪方法。基于局部特征尺度分解结合小波阈值方法与声发射信号降噪的信息映射关系,建立了互相关系数对含噪分量识别机制,将纯净分量和降噪后的含噪分量进行重构,实现信号降噪,并搭建了机械密封声发射测试台,试验结果表明,LCD-新阈值降噪方法降噪效果优于LCD强制降噪和小波阈值降噪,LCD-新阈值降噪的信噪比分别比LCD强制降噪和小波阈值降噪高出20%和23%。从而证明基于局部特征尺度下密封声发射信号协同小波阈值的降噪技术维持了信号的可用性,保障信号故障特征,为进行机械密封全生命周期管理奠定了理论基础。