摘要：针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。

摘要：针对自动机振动响应信号非线性、非平稳、高冲击的特性,提出基于局域均值分解(LMD)和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各工况信号采用LMD法对其进行分解,对分解得到的分量信号进行广义维数计算,通过广义维数相关系数判断方法选取分量信号,进而构建各工况的样本矩阵,用相关性判断方法计算待检测信号矩阵与样本矩阵之间的相关系数,最后通过对比相关系数的大小来判断故障模式。诊断结果与实际情况完全符合,表明该方法能有效的应用在自动机故障诊断中。

摘要：针对中值滤波性能受滤波窗口长度影响的问题,提出了一种结合局域均值分解(Local Mean Decomposition,LMD)的多尺度中值滤波方法 ,并对其在遥测信号脉冲噪声抑制中的应用进行了分析。利用LMD将待分析信号分解为不同尺度的乘积函数(Product Function,简称PF),按PF的阶次设定中值滤波窗口长度对PF分别进行中值滤波,用滤波后PF重构获的脉冲噪声抑制后信号。这一方法在抑制脉冲噪声干扰的同时,可最大程度保护信号的细节信息不受损失。仿真信号和实测信号处理证明了方法的有效性。

摘要：为了提高轴承故障诊断准确率,缩短神经网络训练时间,将周期能量特征和优化的局域均值分解(local mean decomposition,简称LMD)特征结合,提出了一种新的轴承故障诊断方法。首先,采用形态滤波法对振动信号去噪;其次,以轴承一个旋转周期采样点数为标准,对振动信号进行截取,提取周期能量特征和LMD特征;然后,对提取的特征进行u律压扩和滑动平均优化处理;最后,设计两个同精度神经网络,采用经优化和未优化的特征对设计好的RBF神经网络进行训练,用训练好的神经网络进行故障诊断。实验结果表明,神经网络收敛迭代次数减少了50次,诊断正确率提高了10%,提高了轴承故障诊断正确率,缩短了神经网络训练时间。

摘要：滚动轴承故障振动信号往往是多分量的调幅-调频信号,而传统包络分析方法需要根据经验设置滤波器的中心频率与带宽,因而会带来解调误差.基于此,提出了一种基于局域均值分解(local mean de-composition,简称LMD)的包络谱特征值的滚动轴承故障诊断方法.该方法可以将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF(product function,简称PF)分量之和,由于每一个PF分量是分量包络信号和纯调频信号的积,因此可以直接对包络信号进行频谱分析得到包络谱.然后定义信号在包络谱中不同故障特征频率处的幅值比为包络谱特征值,并以此作为特征向量输入到支持向量机分类器中,用以区分滚动轴承的工作状态和故障类型.对滚动轴承正常状态、内圈故障和外圈故障振动信号的分析结果表明了该方法的有效性.

摘要：局部均值分解(local mean decomposition,LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.

摘要：针对水力机组振动摆度信号的非平稳特性,提出了基于局域均值分解模糊熵及超球结构支持向量机的涡带工况识别方法。首先对振动摆度信号进行局域均值分解,获得一系列乘积函数分量;然后计算各乘积函数分量的相关系数,判断是否存在虚假变量;最后计算有效乘积函数分量的模糊熵作为特征向量,利用超球结构支持向量机进行小负荷区、涡带区和稳定区的机组运行工况识别。水电站水导轴承摆度信号试验结果表明,该方法能有效识别机组涡带工况区间。

摘要：为了消除噪声对轴承诊断效果的影响,提出了一种局域均值分解(Local mean decomposition,LMD)和空域相关相结合的轴承声发射信号特征提取方法。首先,利用LMD将轴承故障的声发射信号分解为若干个乘积函数(Production Function,PF)的线性组合;然后,采用峭度准则选取能够反映轴承故障特征的PF分量,对选取的PF分量分别采用空域相关法进行去噪,再重构去噪后的PF分量。最后,对去噪后声发射信号进行Hilbert包络谱分析,并与所选PF分量直接Hilbert包络谱分析结果进行对比。仿真计算和实验分析表明,本文提出的方法能够有效地提取轴承故障声发射信号特征。

摘要：为了消除噪声对滚动轴承故障诊断结果的影响,提出了一种改进形态滤波与局域均值分解(Local mean decomposition,LMD)结合的滚动轴承故障诊断方法,该方法首先利用LMD对滚动轴承的故障信号进行分解,采用峭度和相关系数准则剔除多余的低频分量,再用改进的形态滤波对选出来的PF分量进行滤波解调。最后,对滤波后的信号进行Hilbert包络谱分析,并且与LMD-Hilbert包络谱和直接Hilbert包络谱的结果进行对比分析。实验结果表明:该方法能够有效地提取滚动轴承故障的特征,诊断轴承故障位置。

摘要：针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。