局部均值分解方法在调制信号处理中的应用

为了提取多分量调制信号的调制信息,研究了一种信号分析方法——局部均值分解(local mean decomposition,简称LMD)方法。LMD方法首先将一个多分量的调制信号自适应地分解成若干个具有一定物理意义的PF(product function)分量,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,然后求出每个PF分量的瞬时幅值与瞬时频率,从而获得原信号完整的调制信息。本文用LMD方法对仿真信号以及齿轮故障振动信号进行了分析,结果表明该方法能有效地提取出信号的调制信息。

机车故障诊断的局域均值分解解调方法

为了有效地识别机车走行部的早期故障,提高我国重载机车的运输能力,提出了一种针对机车故障振动信号的局域均值分解(LMD)解调诊断方法.LMD能够将多分量的调制信号自适应地分解成一系列乘积函数分量,分解与解调过程可同步完成.与Hilbert-Huang变换相比,LMD方法不需要通过Hilbert变换求解瞬时频率,从而避免了Hilbert变换加窗效应所带来的解调误差.由于不受Bedrosian和Nuttall定理的限制,不会出现负频率现象,通过滑动平均方法得到信号的局域均值和包络,因此不存在过包络、欠包络和断点效应.通过对实际机车走行部轴承和齿轮振动信号的分析,成功地提取了故障特征,与经验模式分解进行比较的结果说明,采用LMD方法提取尽可能多的有意义的调制分量,不仅避免了Hilbert变换加窗效应所带来的解调误差,而且更适合于多分量调制信号的处理.

局部均值分解方法及其在滚动轴承故障诊断中的应用

研究了一种新的信号分析方法——局部均值分解(LMD)方法。LMD方法能自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的乘积函数(PF)分量之和,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,因此LMD方法的本质是将多分量的信号分解为若干个单分量的调制信号,适合于处理多分量的调制信号。针对滚动轴承故障振动信号的调制特点,提出了基于LMD的滚动轴承故障诊断方法,对滚动轴承故障振动试验信号进行了分析,结果表明LMD能有效地应用于滚动轴承故障诊断。

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。

基于局部均值分解的滚动轴承故障诊断新方法

针对滚动轴承振动信号的非平稳特性和调制特点，提出了一种基于Wigner-Ville谱熵的特征提取新方法：运用局部均值分解算法将轴承振动信号分解为若干个乘积函数，并基于Wigner-Ville分布描述主要乘积函数分量的时频能量特征。在此基础上，结合Shannon熵构造一种新的特征提取指标一wigner-Ville谱熵，并将其构成的特征向量输入到最小二乘支持向量机，实现了轴承不同工作状态和故障程度的自动分类与诊断。仿真和实例分析证明了方法的有效性。

基于LMD的能量算子解调方法及其在故障特征信号提取中的应用

局域均值分解是将多分量调频调幅信号分解为一系列单分量调频调幅信号的有效时频分析方法。为提取故障信号的特征,提出了基于局域均值分解的能量算子解调方法,局域均值分解将复杂的多分量信号分解为若干个乘积函数的线性组合,再通过能量算子解调方法可求取每个乘积函数的幅频信息,从而可进一步获取故障信号的时频分布或提取其故障特征。为提高分析精度,提出了特征趋势正弦函数数据延拓方法以有效克服端点效应的影响。实验信号的分析结果表明,所提出的基于局域均值分解的能量算子解调方法能有效提取机械故障振动信号的特征。

基于分段波形的信号瞬时频率计算方法

针对局部均值分解(Local Mean Decomposition,LMD)中乘积函数(ProductFunction,PF)分量的瞬时频率计算问题,引入了一种新的信号瞬时频率计算方法.该方法基于分段波形,先将信号分成若干个全波段(full wave),然后以一组递增的反正弦函数定义每个全波段的瞬时相位,进而得到信号的瞬时频率.由该方法得到的瞬时频率理论上是正的、稳定的并且能够确保信号局部特征信息的完整.应用该方法计算了仿真信号和实际齿轮故障振动信号的瞬时频率,并与其他方法求得的瞬时频率进行了对比.结果表明,本文方法非常适合求取信号的瞬时频率.

基于NLM-CEEMDAN和样本熵的水电机组振动信号去噪

振动监测分析是水电机组故障诊断的重要手段,如何从振动信号中滤除噪声以便于故障特征有效提取是关键问题,为此提出了基于非局部均值滤波(NLM)和自适应噪声完备集合经验模态分解方法(CEEMDAN)结合的振动信号去噪新方法,并在水电机组摆度监测分析中进行了应用。该方法利用NLM-CEEMDAN对信号进行降噪处理,获得若干个固有模态分量(IMF),并且计算各分量样本熵值来进行分量归类。最后通过将高频噪声分量和信噪混合分量中的噪声成分从原始信号中滤除来完成对振动信号的去噪。仿真和实例分析,该方法优于常用的分解分量重构法和小波去噪算法,具有更好的去噪效果,为水电机组故障特征提取提供了新思路。

脉冲噪声下数字调制信号的自适应解调

提出基于自适应滤波解调α稳定分布脉冲噪声下的常规数字调制信号的方法。采用归一化最小平均p范数自适应滤波算法的自适应滤波器,跟踪信号任一码元间隔内的单一频率,根据自适应滤波器权值的收敛值可以解调相应的码元。计算机仿真结果表明,此自适应滤波解调方法性能优越,抗脉冲干扰强,同时算法计算速度快,易于实现,具有很好的实用价值。

信号自适应分解对比研究及其在机车轴承故障诊断中的应用

为有效提取机车轴承故障特征,开展信号自适应分解方法对比研究。分析了经验模态分解、局域均值分解和局部特征尺度分解3种常用方法的局部均值计算、分解成分和分解能力。针对局域均值分解存在的问题,提出了改进方案并有效验证。进一步提出了先做改进局域均值分解,再采用1(1/2)维谱处理得到的乘积分量的机车轴承诊断的方法,成功用于DF_4型机车的故障诊断。

多分量调幅-调频信号的瞬时频率直接计算与畸变消除方法

针对局部均值分解(LMD)在多分量调幅-调频(AM-FM)信号解调过程中的瞬时频率求解问题,提出了一种瞬时频率快速直接计算与畸变消除方法。首先通过LMD将多分量AM-FM信号分解为一系列单分量AM-FM信号,使用未展开瞬时相位的差分绝对值替代相位展开,有效提高了瞬时频率的计算效率;然后针对直接计算法求得的瞬时频率在极值点附近存在畸变的问题,根据畸变位置分布规律定位畸变位置并剔除畸变点,使用插值法补全被剔除数据,最终得到可用的瞬时频率。将提出的方法成功应用于转子碰磨故障诊断和语音信号基音频率识别,试验结果表明:与传统的基于相位展开的直接计算法相比,提出的快速直接计算法的运行效率更高;同时,求得的瞬时频率中的畸变能够被完整的定位和消除,最终得到正确可用的信号瞬时频率。

快速自适应局部均值分解及轴承故障诊断应用

提出了一种新的非平稳信号处理方法——快速自适应局部均值分解(Fast and Adaptive Local Mean Decomposition,FALMD)。采用顺序统计滤波器求取信号上下包络线的均值来获得局部均值函数及包络估计函数,然后将信号分解为若干乘积函数(Product Function,PF)分量及一个残余分量。该算法一方面改变了局部均值分解(Local Mean Decomposition,LMD)严格的终止条件,提高了运算速率,另一方面减少了对极值点的依赖,在一定程度上抑制了端点效应。仿真信号和实验信号分析证明了该方法在非平稳信号自适应分解中的有效性,成功地提取出了滚动轴承的故障特征。

基于LMD算法的电压闪变参数识别新方法

为了实现电压闪变参数的精确识别,针对采用常规算法求取的电压闪变的调幅波、间谐波参数波动大的问题,首次提出了将局部均值分解(LMD)算法应用于电压闪变参数识别.选取典型的电压闪变算例,应用LMD算法和HHT算法进行仿真对比,结果表明,LMD通过除以包络函数得到PF,"筛分"次数较少,端点效应较小,所求的闪变参数在稳态时基本不变化.该方法步骤简单、运算速度快,证明了LMD算法的可行性与准确性.