基于改进LMD和综合特征指标的滚动轴承故障诊断

局部均值分解(local mean decomposition,LMD)适用于分析非平稳的滚动轴承故障信号。文章针对LMD存在的端点效应以及敏感分量难以筛选的问题,提出一种基于匹配误差的四点波形延拓方法来改善端点效应,将综合特征指标与K-means聚类分析相结合筛选敏感分量;轴承故障信号经改进的LMD分解为若干个乘积函数(product function,PF)分量;计算所有PF分量的8个参数作为综合特征指标,再利用K-means聚类分析进行分类,区分出敏感分量与虚假分量,并重组敏感分量;最后利用包络分析成功提取到故障特征频率。结果表明该方法是一种有效的滚动轴承故障诊断方法。     

CEEMDAN-SE-WT降噪方法在航空发动机燃油流量信号中的应用

燃油流量信号是反映发动机状态和计算飞机排放物排放量的重要信号,但飞机飞行过程中传感器采集信号时不可避免地会受到外界环境以及内部因素干扰。提出一种结合样本熵(sample entropy,SE)的完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with Adaptive Noise,CEEMDAN)与小波变换(wavelet transform,WT)的联合降噪方法。首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总重变化最为接近,可以认为该方法较大程度保留了燃油流量信号中的有效特征,为后续计算民机排放物排放总量提供了良好的数据支持。     

基于VMD降噪的RV减速器故障诊断

针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题,提出一种基于小波降噪结合变分模态分解(Variational Modal Decomposition, VMD)的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪;再通过变分模态分解得到不同频率范围的模态分量(Intrinsic Mode Function, IMF),计算各目标分量的峭度值和信噪比,选出目标分量并进行快速傅里叶变换(Fast Fourier Transform, FFT);最后通过减速器模数确定特征频率,可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息,解决了噪声干扰、低频信号调制等问题。     

基于MWSA的热力系统单参数时序预测方法

热力系统的状态参数变化可以实时反映系统的运行状态，针对热力系统参数运行数据预测手段匮乏的现状，基于4种算法提出一种单参数预测方法并简称MWSA,对当前设备状态参数进行分解降噪、趋势提取和时序预测，并将预测结果作为下一步运行管理策略和装备维修的参考，对系统的长期安全稳定运行具有重要意义.首先，利用中值回归经验模态分解(MREMD)方法将监测得到的运行状态参数分解为若干个本征模态函数(IMF)和残余分量.然后，对不符合筛选条件的分量进行小波阈值降噪(WTD),并将去噪后的分量与原本符合筛选条件的分量重组成新的IMF分量.最后，利用基于奇异值分解(SVD)和优化参数排列熵(PE)的K-means聚类算法，对重组后的IMF分量进行分类，取熵值较低的一类分量重构为趋势项并采用整合滑动平均自回归模型(ARIMA)进行预测.经实际案例验证，该方法能够有效克服原始参数时序中高频噪声的干扰，与不采用降噪处理的同类方法相比，该方法预测的准确度更高.     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

一种用于机床角度头故障诊断的双重降噪方法

角度头是数控机床必不可少的加工附件,由于长期处于恶劣的加工工况下,极易受到损坏。采集角度头的振动信号时,环境中大量的随机噪声会湮没故障特征信息,从而造成角度头故障特征提取困难。针对此问题,提出了一种基于总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）及自相关的双重降噪方法。该方法采用自相关滤波方法对振动信号进行降噪预处理,再对降噪后的信号进行EEMD分解,随后采用遗传算法对EEMD输入参数优化,依据相关峭度系数准则筛选分解得到的固有模态函数（intrinsic mode function,IMF）分量进行信号重构。最后,对重构信号进行时频分析,提取角度头故障特征。对仿真和实测信号分析的结果表明,本文方法能够有效抑制噪声干扰,可准确提取到角度头的故障特征信息,为机床角度头的故障诊断提供依据。     

LMD在惯性导航中的去噪应用

根据以往对惯性导航数据去噪方法的不足,本文提出局域均值分解(LMD)与小波去噪相结合的方法对惯性导航产生的随机误差进行去噪处理,这种方法可以自适应地将原始含噪信号分解成若干个具有物理意义的PF分量之和,然后对各个PF分量进行小波去噪,最后将各分量的去噪结果相加得到最终的降噪信号。通过仿真数据与真实高塔测试数据的去噪实验,验证了该方法的有效性。     

改进的变分模态分解在锚杆和锚固质量检测中的应用

针对锚杆电磁超声信号夹杂的噪声极大地影响有用信息提取的问题,提出基于布谷鸟搜索算法的变分模态分解与独立分量分析相结合的降噪方法;该方法利用布谷鸟搜索算法优化变分模态分解的输入参数,实现信号的最优分解,利用变分模态分解将信号自适应分解为一些模态分量,依据排列熵值对分解的模态进行重构,利用快速独立分量分析算法对重构信号与原信号组成的2路通道进行解混,实现回波信号与噪声信号的分离,并对锚杆和锚固信号数据进行分析。结果表明,与常用的降噪方法相比,该方法有更好的抗噪性和降噪效果。     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

一种基于ICA的机械缺陷超声信号提取方法

针对强噪声背景下缺陷超声回波信号检测的问题,利用了基于独立分量分析的方法进行缺陷信号的提取。该方法首先对观测信号进行JADE分解,得出多导独立分量,再根据赫斯特指数,分离缺陷信号和噪声信号。通过对仿真和实测缺陷超声信号的去噪实验研究,结果表明,与小波去噪方法相比,ICA去噪方法能够得到很好的信噪比,有利于强噪声背景下缺陷的去噪处理及微弱信号的提取。     

基于LMD和AR模型的转子系统故障诊断方法

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.     

采用EMD和奇异值分解子空间重构的信号降噪新方法

传统的奇异值降噪法对适合奇异值分解的矩阵构造及信号重构时有效秩阶次的选取缺乏具有物理意义的依据.提出一种采用EMD和奇异值分解子空间重构的信号降噪新方法,通过对EMD方法得到的各阶IMF分量构造时频矩阵进行奇异值分解,将信号的特征信息分解到各个不同的时频子空间中,根据时频子空间的特征变化,选择相应的子空间进行奇异值分解逆变换,从而实现信号降噪.对仿真合成电信号及实测机械振动信号的降噪应用,表明该方法能有效地从原始信号中提取所需的信号特征成分,具有直观的物理意义.     

基于CEEMD的爆破振动信号自适应去噪

针对爆破振动信号短时、突变的特点,提出了基于CEEMD的爆破振动信号自适应降噪方法。为解决信噪分量分界点的判定问题,该方法提出依据CEEMD分解得到的噪声分量和有用信号分量自相关函数的波峰宽度特性自适应地判定信噪分量的分界点的方法。对IMF分量消噪阈值函数进行了改进,新阈值函数具有连续和高阶可导性。实验分析表明:采用新阈值函数的CEEMD自适应去噪方法能够有效地去除实测爆破振动信号中夹杂的噪声,并且很好地保留了爆破振动信号的突变细节,去噪效果良好。     

基于局域均值分解的轧制力响应频率提取

在轧制生产过程中,轧制力信号是用于轧件厚度控制的基本信号,该信号包含有大量其他信息,这些信息主要通过频率和幅值表示,其中频率信息也反映了轧机在轧制力传感器安装点处的综合响应。采用局域均值分解(LMD)时频分析的方法,先将频率信息的实测信号进行LMD分解,再利用希尔伯特变换求取各个乘积函数(PF)分量的瞬时频率,最后通过对多组轧制力传感器实测数据的求解得到该综合响应中各频率的大小。利用这一方法,对某厂1700mm五机架冷连轧四辊轧机第一机架的多卷轧制力传感器数据的频率信息进行提取,得到其响应的基频为8.5Hz,三倍频为25.5Hz。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.