Review of local mean decomposition and its application in fault diagnosis of rotating machinery

Rotating machinery is widely used in the industry.They are vulnerable to many kinds of damages especially for those working under tough and time-varying operation conditions.Early detection of these damages is important,otherwise,they may lead to large economic loss even a catastrophe.Many signal processing methods have been developed for fault diagnosis of the rotating machinery.Local mean decomposition(LMD)is an adaptive mode decomposition method that can decompose a complicated signal into a series of mono-components,namely product functions(PFs).In recent years,many researchers have adopted LMD in fault detection and diagnosis of rotating machines.We give a comprehensive review of LMD in fault detection and diagnosis of rotating machines.First,the LMD is described.The advantages,disadvantages and some improved LMD methods are presented.Then,a comprehensive review on applications of LMD in fault diagnosis of the rotating machinery is given.The review is divided into four parts:fault diagnosis of gears,fault diagnosis of rotors,fault diagnosis of bearings,and other LMD applications.In each of these four parts,a review is given to applications applying the LMD,improved LMD,and LMD-based combination methods,respectively.We give a summary of this review and some future potential topics at the end.

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary, therefore proposed a fault feature extraction method based on wavelet packet decomposition （WPD） and local mean decomposition （LMD） permutation entropy, which is based on the support vector machine （SVM） as the feature vector pattern recognition device Firstly, the wavelet packet analysis method is used to denoise the original vibration signal, and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions （PE） by the local mean decomposition （LMD） , and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally, the entropy feature vector input multi-classification SVM, which is used to determine the type of fault and fault degree of bearing The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods, the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy

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SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度,针对大坝原始监测信号中的噪声,以及其非平稳性、非线性等特点,引入奇异谱分析(SSA)和局部均值分解(LMD)方法,提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理,为充分提取大坝形变信息特征,利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析,剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验,结果表明,相较于其他模型,SSA-LMD-GM模型预测精度和拟合精度更加优秀,能较好地预测大坝变形趋势,具有一定的应用价值。

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CERLMDAN-PE-NLMS的MEMS陀螺信号去噪方法

随着武器技术的不断发展,常规弹药的制导化改造已成为一种必然趋势。通过应用精确制导技术,可以显著提高弹药的打击精度和效率。而在实现弹药制导化改造的过程中,精准测量角速度是一项关键核心技术。微机电系统(Micro-Electro Mechanical System,MEMS)陀螺仪存在输出信号噪声大、精度低的问题,针对上述问题,提出了一种自适应噪声完备集合鲁棒局部均值分解(CERLMDAN)和归一化LMS算法(Normalized Least Mean Square,NLMS)结合的滤波模型。该模型通过在鲁棒局部均值分解(Robust Local Mean Decomposition,RLMD)过程中添加白噪声将原始数据分解为多个乘积函数(Product Functions,PF),并根据排列熵(Permutation Entropy,PE)将PF分为混合PF和有用PF;其次对混合PF使用NLMS去噪;最后,把处理后的PF和有用PF进行重构,得到去噪后的信号。试验表明,本文提出的去噪模型对信号均值与方差有显著提升,信号均值由0.5891提升至0.5396,信号方差由44.473提升至5.2692。

基于LMD改进特征提取的三路病理语音识别

针对发音障碍患者发音不够清晰准确,导致病理语音识别率低的问题,提出一种基于LMD改进的Gammatone滤波器组图谱特征提取算法进行三路病理语音识别,首先,该算法采用LMD分解语音信号,对分解后的各语音分量做短时傅里叶变换后进行频率合成,提取滤波器组特征及其一阶、二阶差分特征,构成能获取病理语音有效局部特征的LMD-GFbank图谱特征;其次,为了进一步优化网络模型在训练过程中遗漏掉部分有效特征信息,提出一种三路病理语音识别模型;最后,结合语音特征信息进行病理语音识别模型训练和测试。实验结果表明,LMD-GFbank图谱特征在三路病理语音识别模型上的识别率达到了93.36%,优于传统MFCC、GFCC、Fbank特征的语音识别效果,验证了所提算法及识别模型能提升病理语音识别准确率。

基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解(LMD)与相关系数-能量比-峭度准则、结合天鹰座优化算法(AO)优化概率神经网络(PNN)的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵(MPE),以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明:提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法(PSO-PNN)和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。

Short-term prediction of photovoltaic power generation based on LMD-EE-ESN with error correction

Considering the instability of the output power of photovoltaic(PV)generation system,to improve the power regulation ability of PV power during grid-connected operation,based on the quantitative analysis of meteorological conditions,a short-term prediction method of PV power based on LMD-EE-ESN with iterative error correction was proposed.Firstly,through the fuzzy clustering processing of meteorological conditions,taking the power curves of PV power generation in sunny,rainy or snowy,cloudy,and changeable weather as the reference,the local mean decomposition(LMD)was carried out respectively,and their energy entropy(EE)was taken as the meteorological characteristics.Then,the historical generation power series was decomposed by LMD algorithm,and the hierarchical prediction of the power curve was realized by echo state network(ESN)prediction algorithm combined with meteorological characteristics.Finally,the iterative error theory was applied to the correction of power prediction results.The analysis of the historical data in the PV power generation system shows that this method avoids the influence of meteorological conditions in the short-term prediction of PV output power,and improves the accuracy of power prediction on the condition of hierarchical prediction and iterative error correction.

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。

基于改进LMD阈值降噪的滚动轴承故障诊断研究

针对滚动轴承振动信号易受噪声干扰从而影响故障诊断精度的问题,提出了一种将改进局部均值分解(LMD)区间阈值降噪算法、多尺度排列熵(MPE)和支持向量机(SVM)相结合的滚动轴承故障诊断方法。采用改进LMD区间阈值降噪算法对信号进行预处理,考虑到去噪信号仍有较强的非线性特性,采用MPE算法构建特征向量集,并将其输入SVM进行故障识别。实测轴承信号分析结果表明,本文所提出的故障诊断方法的故障识别准确率为98.3%,优于其他故障诊断方法。

基于LMD-SECNN的风机变桨系统故障检测

风机变桨系统控制较为复杂,且易发生机械故障。针对振动信号比较复杂,直接利用神经网络进行学习会影响特征的提取,提出了一种以将局部均值方法及注意力机制相结合的故障诊断模型,即LMD-SECNN模型。首先利用局部均值分解法对数据进行预处理,减少噪声干扰,并最大限度保存原始信号里的故障特征;其次经过LMD处理后产生多个PF分量;最后以神经网络模型Inception v1架构为基础进行改进,增加通道注意力SEnet模块。实验结果表明:LMD-SECNN模型的准确率达到99.42%,远高于对比模型的准确率,验证了所提方法的有效性和优越性。

基于改进的LMD混合储能容量优化配置

为解决混合储能系统的光伏输出功率波动性较大的问题,提出一种改进的局部均值分解(improved local mean decomposition, ILMD)的功率分配方案。对光伏发电出力进行平滑处理,可得到满足国家要求的光伏并网功率,利用ILMD对混合储能功率进行分解,确定其高频功率和低频功率并分别分配给超级电容和蓄电池,建立具有目标函数的功率优化模型,最大限度地降低整个系统全生命周期的投资成本,使用改进鲸鱼优化算法求解获得符合优化模型要求的容量配置。通过算例分析,对比不同的储能容量配置策略,验证所提策略的可行性。

基于LMD的小波包去噪法在变形监测数据去噪中的应用

为了解决工程类变形监测数据受噪声干扰,无法表现变形体真实变形趋势的问题,本文在传统局部均值分解(LMD)技术的基础上引入小波包去噪法,构建新的基于LMD的小波包去噪法。该组合去噪法实现去噪的主要步骤是:首先,使用LMD对原始信号进行分解,得到若干个分量,其中,信号的有用信息主要包含在低频分量中,噪声成分包含在高频分量中;其次,使用小波包去噪法对高频分量进行去噪,尽可能提取高频分量中的有用信息;最后,将去噪处理的高频分量与低频分量进行重构,得到最终去噪信号。另外,还使用仿真信号与实测变形监测信号对本文提出的去噪方法进行了检验。结果表明,相较于传统的LMD去噪法与小波包去噪法,本文基于LMD的小波包去噪法得到的相关系数、信噪比更高,均方根误差更低,具有更好的去噪效果。

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点,导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解(LMD)云模型特征提取结合粒子群优化(PSO)核极限学习机(KELM)的齿轮箱故障诊断方法。首先,将故障振动信号用LMD分解得到若干PF分量,并利用相关系数原则筛选出相关性较高的PF分量;其次,在云模型中输入筛选后的PF分量,采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断;最后,利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明,该方法识别精度为97.65%,与多种方法进行对比,该方法具备最佳识别性能。

基于MELMD-ICA的光纤振动信号降噪方法

针对分布式光纤传感系统所采集含噪信号,提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法,引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构;将含噪信号和重构信号求差得到虚拟噪声,构造虚拟通道;然后使用ICA对含噪信号和虚拟通道进行信噪分离,得到最终结果。通过实验验证,该方法与EMD-ICA,EEMD-ICA,MELMD相比,能更好地消除信号中的噪声,保留信号的特征信息。

基于ARLMD和IMOMEDA的滚动轴承早期微弱故障诊断

为实现强噪声干扰下滚动轴承早期微弱故障损伤特征的准确识别,提出一种自适应鲁棒局部均值分解(adaptive robust local mean decomposition,ARLMD)和改进多点最优最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)相融合的诊断新方法。首先,利用基于斯皮尔曼相关系数的ARLMD算法对原始信号进行处理,按照线性峭度(L-kurtosis)最大原则筛选出蕴含丰富故障信息的最佳分量,实现原始信号信噪比的有效提升;然后,针对多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)效果受滤波长度影响较大的特点,提出基于余量自相关能量比(residual autocorrelation energy ratio,RAER)的最优滤波长度选取策略,对最佳分量进行IMOMEDA处理,实现周期性冲击特征强化放大;最后,计算解卷积信号的包络谱,从中提取出特征频率信息。仿真、实验及工程信号分析结果表明,所提方法可有效提取强噪声下的微弱故障特征,实现轴承损伤的精确诊断。

基于LMD-WSVD的半球谐振陀螺混合去噪方法

为了减少半球谐振陀螺(hemispherical resonant gyroscope,HRG)输出噪声对导航精度的影响,提出了一种基于局部均值分解排列熵小波变换奇异值分解的混合去噪方法。首先,使用局部均值分解方法对HRG信号进行分解,然后排列熵将其划分为两类:低频分量和混合分量;之后将小波变换和奇异值分解级联以构成两级滤波器,对混合分量进行降噪处理,最后重构得到最终的信号。通过实验验证了该方法的有效性,实验结果表明,相比原始信号,所提出的方法有效地减少了HRG的输出噪声,提高了其测量精度,其中角度随机游走降低了99.9%,零偏稳定性降低了60.3%。

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法。利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断。利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性。结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障。

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。