基于故障敏感分量和改进K近邻分类器的故障状态识别

针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题,在对轴承振动信号进行局域均值分解（local mean decomposition,LMD）的基础上,提出了一种基于故障敏感分量的特征提取与改进K近邻分类器（K-nearest neighbor classifier,KNNC）的故障状态辨识方法。该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征,然后对筛选出的信号分量进行时域/频域的特征提取,构建不同故障状态下的特征样本集。为加快故障状态识别速度,排除不良样本的影响,提出一种基于二分K均值聚类的改进KNNC算法,精简了大容量的训练样本,有效去除不良特征样本和干扰点。实验结果表明,以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态。     

机车故障诊断的局域均值分解解调方法

为了有效地识别机车走行部的早期故障,提高我国重载机车的运输能力,提出了一种针对机车故障振动信号的局域均值分解(LMD)解调诊断方法.LMD能够将多分量的调制信号自适应地分解成一系列乘积函数分量,分解与解调过程可同步完成.与Hilbert-Huang变换相比,LMD方法不需要通过Hilbert变换求解瞬时频率,从而避免了Hilbert变换加窗效应所带来的解调误差.由于不受Bedrosian和Nuttall定理的限制,不会出现负频率现象,通过滑动平均方法得到信号的局域均值和包络,因此不存在过包络、欠包络和断点效应.通过对实际机车走行部轴承和齿轮振动信号的分析,成功地提取了故障特征,与经验模式分解进行比较的结果说明,采用LMD方法提取尽可能多的有意义的调制分量,不仅避免了Hilbert变换加窗效应所带来的解调误差,而且更适合于多分量调制信号的处理.     

自适应LMD与SVM耦合的传感器故障诊断模型

针对胎压传感器常见的几种突发故障,采用自适应LMD(局部均值分解)和支持向量多分类机(SVM)相耦合的方法.利用LMD方法将传感器的输出信号分解成一系列由包络信号和纯调频信号相乘所得的PF分量;支持向量多分类机进行故障识别.研究结果表明这两种算法的有机结合,实现了对胎压传感器7种工作状态的有效识别.同时,避免了EMD方法在分解过程中存在的过包络、欠包络、端点效应和模态混淆等缺点,有效地提高了故障诊断的快速性和准确性.     

基于包络切片谱和时频谱的轴承故障诊断

为了有效提取轴承故障信号的故障特征以及更好地显示其时频特性,提出了基于局部均值分解(LMD)的包络切片谱分析及时频分布方法。首先,使用LMD对轴承故障信号进行分解得到一组PF分量。然后,对各PF分量的包络信号(瞬时幅值)进行切片谱分析。同时,由PF分量的瞬时频率和瞬时幅值获得各PF分量的时频分布。实测轴承故障信号的LMD包络切片谱分析及时频分布结果表明,LMD包络切片谱可准确获得内圈故障轴承和外圈故障轴承的故障特征频率,LMD时频分布可更直观地显示轴承故障信号的时变瞬时特性,可用于辨别轴承的故障形式。     

一种混合双端直流输电线路暂态保护方案

为保证混合双端型高压直流输电系统安全运行,论文分析了混合双端直流输电线路两端边界元件的幅频特性。根据区内外故障下线路暂态电压瞬时能量差值的不同特征,利用改进局部均值分解方法（local mean decomposition,LMD）来提取故障分量,论文提出了一种基于改进型LMD分解的直流线路暂态保护方法。该方法有效降低了经典LMD分解在处理直流故障信号时的端点效应和滑动误差对仿真数据的影响。最后利用PSCAD仿真软件搭建了LCC-MMC混合双端型高压直流输电线路仿真模型,利用该仿真模型输出直流输电线路区内和区外故障仿真结果。并利用Matlab对故障数据进行处理,进行了算法仿真。仿真结果表明暂态电压信号的瞬时能量值在区内故障状态下明显高于区外故障和无故障状态。仿真结果验证了所提保护方法的正确性。该方法能够快速可靠的实现故障判别,具有较强的实用性。     

改进的LMD算法及其在EEG信号特征提取中的应用

针对LMD方法在对脑电信号处理时会产生端点效应,为了降低这种端点效应的影响,增强脑电信号的特征提取效果,提出了一种基于相似波形加权匹配的端点延拓算法。该算法主要利用在一段波形中相似子波会反复出现这一特点,提取与端点处波段相似的子波,求得其加权平均波,并利用得到的平均波对原始信号的左右端点进行延拓。仿真结果表明,与传统的LMD方法分解相比,该算法能够有效抑制传统LMD的端点效应,更好地提取脑电的特征信息。     

采用改进HVD与Lempel-Ziv复杂性测度的滚动轴承早期损伤程度评估方法

针对滚动轴承早期故障特征微弱难以定量检测的问题,提出一种基于希尔伯特振动分解(HVD)和Lempel-Ziv复杂性测度(LZC)的滚动轴承内外圈损伤程度评估方法。该方法利用HVD将滚动轴承故障信号分解为幅值由大到小、不同瞬时频率的HVD初始分量,基于峭度分析从各HVD初始分量中选出最优分量并重构该故障信号,采用均值符号化方法计算重构信号的LZC指标。关于HVD的端点效应问题,采用镜像延拓方法对其进行改进,仿真分析的结果表明,镜像延拓有效地改进了其端点效应的问题,提高了故障信号的分解精度;在此基础上,将HVDLZC方法应用于不同损伤程度的滚动轴承内外圈故障信号,结果表明该方法能够解除信号非线性、非平稳性干扰,快速提取信号的故障振动模式分量,给出内外圈各损伤状态的HVD-LZC特征区间;采用由遗传算法进行参数寻优的支持向量机(GA-SVM)方法对3种不同损伤状态的内外圈信号的HVD-LZC特征进行测试分析,结果表明HVD-LZC指标在区分轴承内外圈的不同损伤程度上具有优越性,从而为滚动轴承内外圈损伤程度的评估提供了一种有效方法。     

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.     

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

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。     

基于双树复小波分解的风机齿轮箱故障诊断

风机齿轮箱振动信号具有非平稳、非高斯特性,多种模式混叠和复杂的传递路径使得故障信息微弱完全淹没在噪声之中.针对故障特征提取的难题,将双树复小波变换引入振动信号分析,提出了一种新的工业风力发电机齿轮箱故障诊断方法.首先对风机齿轮箱振动信号进行双树复小波分解,然后计算各频带分量的峭度值,利用峭度筛选故障敏感分量.最后对故障敏感分量进行频谱分析提取故障特征频率.实验结果表明:双树复小波变换可将复杂信号分解为不同频带分量,抑制平移敏感性和频率混叠.与传统离散小波变换相比,能有效抑制虚假频率出现并准确提取故障特征.本文提出的方法已成功用于风力发电机工业运行监测并准确诊断多种类型的齿轮箱故障.     

基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法。首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障。分析结果表明该方法能够有效诊断滚动轴承故障。     

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.     

基于LMD近似熵和SVM的自适应重合闸方法

自适应重合闸的功能是快速、准确地辨识故障性质及捕捉电弧熄灭时刻.在分析瞬时性故障和永久性故障断路器跳闸后的端电压波形复杂性的基础上,提出了局部均值分解(LMD)、近似熵和线性支持向量机(SVM)相结合的自适应重合闸整体实现方案.利用LMD分解故障信号得到若干个PF分量,选取前3个PF分量算出其近似熵值构成三维特征向量,将三维特征向量作为SVM的输入量来区分故障性质和捕捉电弧熄灭时刻.线路故障仿真结果表明,该方案可智能识别故障性质和捕捉电弧熄灭时刻且具有一定的抗噪能力.     

LMD与非凸罚最小化L_q正则子压缩传感的轴承振动信号重建

针对机械振动信号高速传输、大容量长期实时存储问题,提出一种局部均值分解(LMD)与非凸罚最小化Lq正则子压缩传感(CS)相结合的轴承故障振动信号重建方法。该方法利用振动系统信号采样、压缩合并进行的思想,首先通过LMD把振动信号分解为若干个不同频率分量的乘积函数平稳信号,对不同的频段分量寻求最佳的稀疏基,构建基于随机高斯矩阵的高度欠定方程;然后求解合适的压缩比,应用非凸罚最小化Lq正则子(q=0.5)算法重构,对所有重构信号组合得到原始振动信号。研究结果表明:LMD与非凸罚最小化Lq正则子压缩传感相结合的方法提高了轴承振动信号的重构精度,降低了重构计算复杂度,具有更高的处理速度和运行效率。     

基于局域均值分解的膛内横向微动特征提取方法

针对弹丸膛内横向摆动产生附加的微多普勒调制项问题,提出了一种基于局域均值分解(Local mean decomposition,LMD)的调制信号分离和特征提取方法.采用LMD方法,将复杂调制信号自适应地分解成若干个具有物理意义的瞬时频率的单分量信号,对每个单分量解调求出瞬时幅值与瞬时频率,获得原信号的调制信息.通过仿真信号验证了LMD处理多分量调幅-调频信号的有效性,将LMD方法应用于膛内运动弹丸实测信号的分析,结果表明该方法能完整提取出弹丸膛内横向微动产生的微多普勒频率调制特征.     

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EMD改进算法的欠定混合盲分离

为改善拟合效果,针对经验模态分解(empirical mode decomposition,EMD)算法存在的端点效应,提出一种改进的EMD算法——端点极值延拓方法.利用改进的EMD算法对观测信号进行分解,将分解分量连同之前的观测信号构成新的观测信号,从而将欠定情况转化为超定情况,最后利用独立成分分析(independent component analysis,ICA)算法得到源信号的估计.通过仿真实验对比,证明了本文算法的有效性.