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 importa...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.展开更多
在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项...在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项的振动信号进行自适应分解,生成一系列乘积函数(product functions, PF);随后,通过MR方法筛选出低频趋势项分量,去除这些成分并重构剩余信号,以校正基线漂移。仿真信号分析结果表明,与传统的最小二乘拟合法(ordinary least squares, OLS)和局部均值分解(local mean decomposition, LMD)相比,RLMD方法在提取趋势项方面具有更高的准确性和稳定性,有效避免了模态混叠现象。现场爆破振动监测试验结果显示,与远区振动信号相比,近区实测爆破振动信号受到低频趋势项的干扰更为严重。通过RLMD-MR方法进行基线校正后,信号波形能够有效恢复至基线中心附近,解决了基线漂移问题。展开更多
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...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。展开更多
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(emp...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。展开更多
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
针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法...针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。展开更多
为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然...为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断。利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征。展开更多
基金supported by the National Natural Science Foundation of China(5180543471771186+4 种基金71631001)the Postdoctoral Innovative Talent Plan of China(BX20180257)the Postdoctoral Science Funds of China(2018M641021)the Key Research Program of Shaanxi Province(2019KW-017)the Natural Science and Engineering Research Council of Canada(RGPIN-2019-05361)
文摘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.
文摘在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项的振动信号进行自适应分解,生成一系列乘积函数(product functions, PF);随后,通过MR方法筛选出低频趋势项分量,去除这些成分并重构剩余信号,以校正基线漂移。仿真信号分析结果表明,与传统的最小二乘拟合法(ordinary least squares, OLS)和局部均值分解(local mean decomposition, LMD)相比,RLMD方法在提取趋势项方面具有更高的准确性和稳定性,有效避免了模态混叠现象。现场爆破振动监测试验结果显示,与远区振动信号相比,近区实测爆破振动信号受到低频趋势项的干扰更为严重。通过RLMD-MR方法进行基线校正后,信号波形能够有效恢复至基线中心附近,解决了基线漂移问题。
文摘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。
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。
文摘针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)时频分析的谱峭度(Spectrum Kurtosis,SK)分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。
文摘为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断。利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征。
