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...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,其结果验证了该方法的有效性。展开更多
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...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。展开更多
电机运行故障检测是满足安全生产的关键技术。为了弥补局部均值分解(Improved Local mean decomposition,LMD)算法存在模态混叠的问题,设计了一种有理样条插值改进LMD方法,并成功应用于电机早期故障诊断领域。以LMD方法分解初始振动信...电机运行故障检测是满足安全生产的关键技术。为了弥补局部均值分解(Improved Local mean decomposition,LMD)算法存在模态混叠的问题,设计了一种有理样条插值改进LMD方法,并成功应用于电机早期故障诊断领域。以LMD方法分解初始振动信号得到乘积函数分量后,并获取乘积函数各个分量,通过包络方式对电机故障进行诊断。研究结果表明:通过有理样条插LMD分解后未出现模态混叠,在包络谱中出现明显故障特征频率与二倍频。以有理样条插LMD诊断准确度高达99.8%,该模型在电机故障诊断方面达到了有效性要求。该研究能够有效提高电机早期故障诊断能力,且适用于其它的机械传动设备上,具有很好的推广应用价值。展开更多
为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度...为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。展开更多
提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利...提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利用SVM函数拟合方法进行外推预测,再把不同PF分量的预测结果进行叠加重构合成,进而获得瓦斯涌出量预测的理论结果值。通过对某煤矿监测历史数据进行实例分析,可见此方法预测效果比常规SVM方法预测精度高,LMD的引入可大幅度提高瓦斯涌出量的预测精度,表明此方法建立的采煤工作面瓦斯涌出量预测模型具有较好的合理性和可靠性。PF分量的获取和SVM方法小样本预测的结合,能够充分发掘数据本身所蕴含的物理机制和物理规律,这也十分符合利用数据自身驱动来获取其影响因素相互间的物理机制,从而为瓦斯涌出量预测精度的提高奠定较好基础。展开更多
提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立A...提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.展开更多
采用局部均值分解(Local Mean Decomposition,LMD)方法来识别机械系统固有频率和阻尼比。局部均值分解(LMD)方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF(Production Function)分量之和,采用LMD方法对脉冲激励下机...采用局部均值分解(Local Mean Decomposition,LMD)方法来识别机械系统固有频率和阻尼比。局部均值分解(LMD)方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF(Production Function)分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法(Empirical Mode Decomposition,EMD)对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。展开更多
文摘局部均值分解(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,其结果验证了该方法的有效性。
文摘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。
文摘电机运行故障检测是满足安全生产的关键技术。为了弥补局部均值分解(Improved Local mean decomposition,LMD)算法存在模态混叠的问题,设计了一种有理样条插值改进LMD方法,并成功应用于电机早期故障诊断领域。以LMD方法分解初始振动信号得到乘积函数分量后,并获取乘积函数各个分量,通过包络方式对电机故障进行诊断。研究结果表明:通过有理样条插LMD分解后未出现模态混叠,在包络谱中出现明显故障特征频率与二倍频。以有理样条插LMD诊断准确度高达99.8%,该模型在电机故障诊断方面达到了有效性要求。该研究能够有效提高电机早期故障诊断能力,且适用于其它的机械传动设备上,具有很好的推广应用价值。
文摘为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD(Local Mean Decomposition,LMD)自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF(Product Function,PF)分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。
文摘提出利用LMD(Local Mean Decomposition)方法获取生产函数分量(PF分量)进行SVM(Support Vector Machine)建模,用此方法对采煤工作面瓦斯涌出量进行预测。通过LMD对瓦斯涌出量的历史数据进行分解得到其PF分量,然后,对应于每个PF分量各利用SVM函数拟合方法进行外推预测,再把不同PF分量的预测结果进行叠加重构合成,进而获得瓦斯涌出量预测的理论结果值。通过对某煤矿监测历史数据进行实例分析,可见此方法预测效果比常规SVM方法预测精度高,LMD的引入可大幅度提高瓦斯涌出量的预测精度,表明此方法建立的采煤工作面瓦斯涌出量预测模型具有较好的合理性和可靠性。PF分量的获取和SVM方法小样本预测的结合,能够充分发掘数据本身所蕴含的物理机制和物理规律,这也十分符合利用数据自身驱动来获取其影响因素相互间的物理机制,从而为瓦斯涌出量预测精度的提高奠定较好基础。
文摘提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.
