提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LM...提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。展开更多
针对微分局部均值分解(Differential Local Mean Decomposition,DLMD)不能自适应判断微分次数的问题,提出一种改进DLMD和Teager能量算子(Teager-Kaiser Energy Operator,TKEO)解调的滚动轴承故障特征提取方法.首先,构建中点-局部均值距...针对微分局部均值分解(Differential Local Mean Decomposition,DLMD)不能自适应判断微分次数的问题,提出一种改进DLMD和Teager能量算子(Teager-Kaiser Energy Operator,TKEO)解调的滚动轴承故障特征提取方法.首先,构建中点-局部均值距离与绝对偏度之和的DLMD微分次数判定指标,将信号分解为若干个乘积函数(Product Function,PF)分量;其次,计算敏感因子筛选有效PF分量并重构;最后,计算TKEO谱,提取滚动轴承的故障特征.实验对比分析表明,所提方法能自适应判断DLMD的微分次数,并有效提取滚动轴承故障特征.展开更多
针对微分局部均值分解(Differential local mean decomposition, DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean d...针对微分局部均值分解(Differential local mean decomposition, DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean decomposition, HDLMD)和JRD(Jensen-Renyi divergence)的滚动轴承性能评估方法。该方法首先对原始振动信号进行HDLMD分解,提取乘积函数(Product function, PF)矩阵;然后,基于拉普拉斯分值(Laplacian score, LS)选择包含最多故障信息的PF分量;再计算筛选之后的有效PF分量的概率分布,得到有效PF分量的Renyi熵值;最后,计算正常信号与不同故障程度信号之间的JRD距离,并判断滚动轴承的退化状态。通过凯西斯储大学(Case western reserve university, CWRU)滚动轴承实验数据和NASA(National aeronautics and space administration)全寿命周期数据实验表明,本文所提方法可以准确、有效地评估轴承性能的退化状态。展开更多
文摘提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。
文摘针对微分局部均值分解(Differential Local Mean Decomposition,DLMD)不能自适应判断微分次数的问题,提出一种改进DLMD和Teager能量算子(Teager-Kaiser Energy Operator,TKEO)解调的滚动轴承故障特征提取方法.首先,构建中点-局部均值距离与绝对偏度之和的DLMD微分次数判定指标,将信号分解为若干个乘积函数(Product Function,PF)分量;其次,计算敏感因子筛选有效PF分量并重构;最后,计算TKEO谱,提取滚动轴承的故障特征.实验对比分析表明,所提方法能自适应判断DLMD的微分次数,并有效提取滚动轴承故障特征.
文摘针对微分局部均值分解(Differential local mean decomposition, DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean decomposition, HDLMD)和JRD(Jensen-Renyi divergence)的滚动轴承性能评估方法。该方法首先对原始振动信号进行HDLMD分解,提取乘积函数(Product function, PF)矩阵;然后,基于拉普拉斯分值(Laplacian score, LS)选择包含最多故障信息的PF分量;再计算筛选之后的有效PF分量的概率分布,得到有效PF分量的Renyi熵值;最后,计算正常信号与不同故障程度信号之间的JRD距离,并判断滚动轴承的退化状态。通过凯西斯储大学(Case western reserve university, CWRU)滚动轴承实验数据和NASA(National aeronautics and space administration)全寿命周期数据实验表明,本文所提方法可以准确、有效地评估轴承性能的退化状态。
