研究了一种新的自适应时频分析方法——局部均值分解LMD(Local mean decomposition)方法,并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法。LMD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...研究了一种新的自适应时频分析方法——局部均值分解LMD(Local mean decomposition)方法,并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法。LMD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PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号。在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断。展开更多
局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD...局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性。展开更多
针对齿轮故障振动信号的非平稳特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量...针对齿轮故障振动信号的非平稳特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法。采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量信号,而循环频率和能量谱则分别反映了齿轮振动信号的相位调制信息以及信号能量在时频面上的分布情况,从而可以提取出齿轮振动信号的故障特征。将这两种方法应用于实际齿轮箱的故障诊断中,结果表明两种方法都能有效地提取齿轮故障特征信息。展开更多
将局部均值分解LMD(Local Mean Decomposition)法应用于电能质量扰动检测,选取电力系统中典型间谐波扰动信号、短时谐波信号、暂态谐波信号、时变谐波信号和变压器中的实际多频谐波信号,应用LMD对其进行分析。间谐波信号的仿真结果表明...将局部均值分解LMD(Local Mean Decomposition)法应用于电能质量扰动检测,选取电力系统中典型间谐波扰动信号、短时谐波信号、暂态谐波信号、时变谐波信号和变压器中的实际多频谐波信号,应用LMD对其进行分析。间谐波信号的仿真结果表明LMD方法在求取的瞬时特征参数波动幅度、端部效果、检测精度和运行时间方面都优于Hilbert-Huang变换(HHT)方法;谐波失真信号的仿真结果表明该方法可以准确检测扰动信号的频率、幅值以及扰动发生与恢复的时刻。对某500 kV变电站35 kV侧投运电容器时引起的35 kV侧B相电压下降和畸变的信号分析结果进一步证明了所提方法的正确性。展开更多
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...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(Rationalspline)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。展开更多
针对电力系统低频振荡非线性时变的特点,提出了一种基于改进局部均值分解(local mean decomposition,LMD)的电力系统低频振荡信号分析方法。利用改进的局部均值分解,电力系统中的单一多模态测量信号可以分解为一组乘积函数(product func...针对电力系统低频振荡非线性时变的特点,提出了一种基于改进局部均值分解(local mean decomposition,LMD)的电力系统低频振荡信号分析方法。利用改进的局部均值分解,电力系统中的单一多模态测量信号可以分解为一组乘积函数(product function,PF)分量的和。每个PF分量可以表示为一个调幅(amplitude modulated,AM)信号和一个调频(frequency modulated,FM)信号的乘积。其中,AM信号可以近似当作相应振荡模态的瞬时幅值,并由此计算阻尼信息;FM信号可以通过直接正交和插值相结合的综合方法,计算PF的瞬时频率。数值仿真和实际测量信号的计算结果证明了所提方法的有效性和可行性。展开更多
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P...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。展开更多
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...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。展开更多
局部均值分解(Local Mean Decomposition,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...局部均值分解(Local Mean Decomposition,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。展开更多
针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解(local mean decomposition,LMD)的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流...针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解(local mean decomposition,LMD)的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数(product function,PF)分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明:对测试信号进行LMD和经验模态分解(empirical mode decomposition,EMD)分解分别得到3个PF分量和5个IMF(intrinsic mode function)分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert变换计算过程中的负频率和端点效应现象。试验信号分析结果表明:对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 m A,与原生物体无触电时总泄漏电流的幅值11.3538 m A的绝对误差分别为0.0298、1.0190 m A,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 m A。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。展开更多
文摘局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性。
文摘针对齿轮故障振动信号的非平稳特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法。采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量信号,而循环频率和能量谱则分别反映了齿轮振动信号的相位调制信息以及信号能量在时频面上的分布情况,从而可以提取出齿轮振动信号的故障特征。将这两种方法应用于实际齿轮箱的故障诊断中,结果表明两种方法都能有效地提取齿轮故障特征信息。
文摘局部均值分解(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(Rationalspline)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。
文摘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。
文摘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。
文摘局部均值分解(Local Mean Decomposition,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。
文摘针对如何快速、准确地提取生物体触电故障暂态信号中的电力参数问题,提出了一种基于局部均值分解(local mean decomposition,LMD)的生物体触电时总泄漏电流信号瞬时参数提取方法,该方法首先利用局部均值分解将生物体触电时的总泄漏电流信号分解为一组乘积函数分量之和,每个乘积函数(product function,PF)分量可以表示为一个调幅信号和一个调频信号的乘积,然后由调幅信号和调频信号分别计算得到信号的瞬时幅值和瞬时频率。与采用希尔伯特黄变换方法相比,LMD具有瞬时频率曲线波动小和瞬时幅值函数端部失真小等优点。仿真信号分析结果表明:对测试信号进行LMD和经验模态分解(empirical mode decomposition,EMD)分解分别得到3个PF分量和5个IMF(intrinsic mode function)分量,分解前后信号的能量变化值分别为0.2851、0.5633,且LMD比EMD所需分解时间短0.0743s,与Hilbert变换相比,该文方法计算的瞬时幅值和瞬时频率更为平滑,在一定程度上避免了Hilbert变换计算过程中的负频率和端点效应现象。试验信号分析结果表明:对消噪后的总泄漏电流信号进行LMD和EMD分解,分别得到5和6个分量,分解前后信号的能量变化值各为0.5574、0.8896,所用分解时间分别为0.0835、0.2479 s;在求取瞬时频率方面,LMD方法求取的主导分量瞬时频率可判定生物体触电时刻,而经Hilbert变换求取的瞬时频率不仅无法判定生物体触电时刻,还出现了负的频率值,无法解释其物理意义;在求取瞬时幅值方面,该文方法与Hilbert变换求取的触电前总泄漏电流信号的瞬时幅值的平均值分别为11.3240、12.3728 m A,与原生物体无触电时总泄漏电流的幅值11.3538 m A的绝对误差分别为0.0298、1.0190 m A,另外,2种方法求取的生物体触电后总泄漏电流信号的瞬时幅值与原生物体触电后总泄漏电流的幅值的绝对误差分别为0.4340、0.6643 m A。因此,仿真信号和试验信号分析结果均证明所提方法是有效和可行的。
