基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法

针对滚动轴承振动信号通常具有非线性与低信噪比特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态学分形维数的滚动轴承故障诊断方法。采用LMD将滚动轴承振动信号分解为若干个乘积函数（Product Function,PF）分量,计算包含有滚动轴承故障特征的PF分量形态学分形维数,并将其用作特征量判断滚动轴承工作状态及故障类型。实验分析结果表明,该方法能有效用于滚动轴承的故障诊断。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

噪声统计特性LMD滚动轴承故障诊断

工程实际中测得的滚动轴承信号往往含有大量的噪声,这使得轴承故障特征淹没在噪声中难以被提取。针对这一问题,提出一种基于随机噪声统计特性与局部均值分解(local mean decomposition,LMD)理论相结合的滚动轴承故障诊断方法。首先,利用LMD将原信号分解,得到若干乘积函数(production function,PF)分量;其次,将第一阶PF分量随机排序,与剩余PF分量相加;然后,对第2步进行P次循环,求平均;最后,把第3步得到的信号作为原信号,重复第1、2步Q次,对得到的信号进行频谱分析,提取故障特征。通过对仿真信号和实验台轴承实验信号进行分析研究表明,该方法可准确诊断滚动轴承元件故障,具有有效性。     

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解（Local mean decomposition,简称LMD）和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量（Product function,简称PF）之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。     

基于局部均值分解的边际谱在滚动轴承故障诊断中的应用

局部均值分解（Local Mean Decomposition,简称LMD）将复杂的多分量信号自适应地分解为有限个乘积函数（PF）的和,在计算了各个分量的瞬时幅值（IA）和瞬时频率（IF）后,可以计算出基于LMD的边际谱。针对直接法求取瞬时频率存在端点误差大问题,提出了一种改进的直接求取瞬时频率的方法;提出了基于LMD的边际谱的滚动轴承故障诊断方法,将该方法应用于实际滚动轴承故障诊断中,结果表明该方法能有效地提取出滚动轴承的故障特征频率,从而确定故障部位。     

基于LMD与MCKD的滚动轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解(LMD)在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4个乘积函数(product function,PF)分量进行最大相关峭度解卷积(MCKD),突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

基于局部均值分解和切片双谱的滚动轴承故障诊断研究

针对滚动轴承故障诊断问题,提出一种结合局部均值分解（LMD）和切片双谱的诊断新方法。首先利用LMD算法对故障信号进行自适应分解,分解后获得一组位于不同频带的乘积函数（PF）分量,然后利用本文提出的峭度准则对分解结果进行筛选,筛选出峭度值最大的PF分量,并对其包络信号做切片双谱分析,从而提取出故障特征频率信息。为加快分解速度、减少分解运算量,本文对LMD算法中的循环迭代结束条件做出改进,并利用模拟信号验证了LMD算法的信号分解能力以及切片双谱的噪声抑制和非二次相位耦合谐波剔除能力。最后,运用提出的诊断方法对实测轴承内圈、外圈故障振动信号进行分析,诊断效果良好,证明该方法具有一定的可靠性。     

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。     

基于LMD与MCKD的风电机组轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解（LMD）在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4 个乘积函数（product function, PF）分量进行最大相关峭度解卷积（MCKD）,突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

基于LMD和Lempel-Ziv指标的滚动轴承故障损伤程度研究

摘要：针对不同转速下,不同损伤程度的滚动轴承内、外圈故障,提出一种基于局域均值分解（Local Mean Decomposition,LMD)和Lempel-Ziv指标的滚动轴承损伤程度识别方法。LMD 方法是一种新的自适应时频分析方法,将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数 (Production Function, PF),再结合峭度条件找出蕴含故障信息的最优PF分量,计算其PF函数和包络的Lempel-Ziv的归一化值,再加权求和得到最终的Lempel-Ziv综合指标,表征了不同故障的损伤程度。同时还研究了在不同转速下的内、外圈故障轴承的Lempel-Ziv指标的分布规律,使结论更具有普遍性。经实验结果验证,此方法能有效地应用于滚动轴承的故障程度的诊断。     

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。     

基于有理样条函数的局部均值分解方法及其应用

局部均值分解(Local mean decomposition,简称LMD)方法通过滑动平均方法平滑局部均值线段和局部幅值线段得到局部均值函数和包络估计函数,从而实现信号的分解.但滑动平均方法会产生相位差以及平滑步长的选择具有一定的主观性,这样会使分解结果不理想.对LMD方法进行了改进,采用有理样条插值函数(Rational spline)求取信号的上下包络线,然后通过上下包络线计算信号的局部均值函数和包络估计函数,克服了原LMD方法中采用滑动平均方法带来的缺陷.通过对仿真信号以及滚动轴承故障振动信号的分析,表明改进后的LMD方法优于原LMD方法.     

小波包降噪与LMD相结合的滚动轴承故障诊断方法

局部均值分解(Local mean decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了本文方法的有效性。     

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。     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

局部均值分解在滚动轴承故障综合诊断中的应用

局部均值分解(LMD)是在经验模态分解(EMD)的基础上提出的一种新的自适应时频分析方法,在故障诊断领域展现出较好的应用前景。本文改进了LMD算法,提高LMD计算速度,并利用仿真信号研究了LMD算法的特性,验证了LMD处理多分量调幅调频信号的有效性;针对轴承故障信号的调制特点以及背景信号对故障信号的影响,本文提出将其应用于滚动轴承外圈点蚀、内圈点蚀和滚动体点蚀的故障综合诊断中,结果表明LMD方法能够有效地提取出故障特征频率,对故障类型做出准确判断     

一种基于PCHI-LMD的暂态电能质量扰动检测方法

为克服将已有局部均值分解(local mean decomposition,LMD)方法用于暂态电能质量扰动信号检测时存在的不足,提出一种基于分段三次Hermite插值(piecewise cubic Hermite interpolation,PCHI)的LMD暂态电能质量扰动检测方法。首先,利用PCHI方法获取信号的局部均值函数和包络估计函数;然后,按照LMD方法的原步骤计算信号的乘积函数(product function,PF);最后,由PF分量的调幅函数求得信号的瞬时幅值,并采用Hilbert变换处理PF分量得到信号的瞬时频率。该方法能够准确定位扰动时刻,并且克服基于三次样条插值的LMD方法存在的过包络和欠包络问题,仿真信号分析结果验证该方法的有效性。     

基于ITD和模糊熵的滚动轴承智能诊断

利用本征时间尺度分解方法(ITD)将滚动轴承振动信号自适应地分解为几个瞬时频率具有物理意义的单分量信号,并利用模糊熵作为特征,对轴承正常状态,内圈故障,外圈故障及滚动体故障四种工况进行识别,最后利用支持向量机完成滚动轴承的智能诊断。实验数据分析结果表明,该方法对滚动轴承故障的识别正确率较高,具有较强的可行性与有效性。     

基于局域均值分解的自适应滤波滚动轴承故障特征提取

依据小波变换带通滤波特性和相关分析提出一种滚动轴承故障特征提取新方法。针对带通滤波器参数难以快速自适应选取的问题,提出利用局域均值分解(Local Mean Decomposition,LMD)所得乘积函数(Production Function,PF)的统计特征快速设定滤波器中心频率,通过分析滤波信号小波系数谱改进香农熵(Shannon熵)与滤波器带宽参数间的关系给出滤波器带宽参数优化策略。对仿真信号和内外圈故障轴承信号的分析结果表明,该方法能自适应优化小波滤波器参数,有效提取滚动轴承冲击性故障特征。     

基于B样条插值的局部均值分解方法研究

局部均值分解(Local Mean Decomposition,LMD)方法是一种较新的自适应信号分析方法。LMD算法的核心思想是将原始信号分解为多个乘积函数(Production Function,PF),其中每个PF都是一个包络函数和一个纯调频函数的乘积。在LMD算法中需要提取信号的局部均值函数和包络估计,然而常规的提取方法会带来局部误差且分解速度慢。为了解决此问题,提出了利用三次B样条对信号上、下极值点进行插值得到上、下包络线,进而获取信号局部均值和包络估计的新方法。对仿真信号和机械振动信号的对比实验验证了该方法的优越性。