为提高滚动轴承故障检测与识别效果,提出一种基于局部均值分解(LMD)和共空间模式(CSP)的时-频-空多域特征提取方法。首先采用LMD将滚动轴承信号分解为多个乘积分量(PF)并提取时-频熵特征,基于支持向量数据描述(SVDD)分类器实现正常和故障轴承的分类;然后利用CSP对故障轴承信号进行分解并提取空域熵特征;最后利用K-均值聚类算法进行聚类,实现对外圈故障、内圈故障和滚柱故障的区分。实验结果表明,所提方法可以获得优于80%的正确分类性能,明显优于传统单一维度特征。

针对局部均值分解(LMD)得到的PF分量对于分类方法的输入而言过大,提出了一种基于局部均值分解(LMD)-奇异值分解(SVD)和极限学习机(ELM)的故障诊断方法。首先,通过LMD将非线性非平稳的原始振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类。试验结果表明,该方法能有效的对风机轴承在变工况条件下进行自适应诊断。

针对小样本情况下齿轮箱复合故障特征难以识别的问题,提出了基于局部均值分解(Local mean decomposition,LMD)能量熵的齿轮箱故障诊断方法。利用LMD方法对齿轮箱振动信号进行处理,得到若干个PF分量;利用不同状态下齿轮箱振动信号在频域区间内分布不均的特性,计算出分量能量在频域区间离散的值,即LMD能量熵;通过不同状态下LMD能量熵的分布进行了齿轮箱故障分类。结果显示,在小样本情况下,基于LMD能量熵方法能够精确地对齿轮箱故障类型进行特征提取和故障诊断,也表明了该方法对齿轮箱故障诊断的优越性。

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法。首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息。结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断。

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。

局部均值分解（LMD）可将采集的时域信号分解为多个单分量信号（PF）,全矢谱（FVS）技术可将双通道信息相互融合,防止单通道信息不完整。在此基础上,借鉴边际谱的思想,提出了一种新的解决方式—积频谱（FAS）：采集滚动轴承的同源双通道振动信号,用LMD对同源双通道的振动信号进行处理,得到双通道各个分量的瞬时幅值和调频信号,并对调频信号进行计算得到各个分量的瞬时频率,由此可求出各通道LMD的时频分布;对时频分布进行频率上的积分后,再通过傅立叶变换求出各通道的积频谱;并通过信息融合,将得到的全矢积频谱和单通道积频谱进行对比。选择有外圈故障的滚动轴承进行试验,试验结果表明,该方法是有效的。

针对滚动轴承原始振动信号信噪比小,以及传统共振解调中带通滤波器参数选择难以确定,且依赖于人的主观经验的问题,提出一种基于局部均值分解和共振解调相结合的方法;该方法首先利用局部均值分解算法将振动信号分解成多个分量,再通过希尔伯特(Hilbert)变换获得各个分量的时频图,然后利用快速谱峭图算法自动确定带通滤波器的中心频率和带宽,最后对信号进行带通滤波和包络解调分析完成故障诊断。数字仿真信号和滚动轴承实验证明了该方法的有效性。

齿轮振动信号常表现出明显的非线性和非平稳特征.为有效提取齿轮振动信号的特征信息,将自适应信号分解方法-局部均值分解用于齿轮振动信号的分析.使用局部均值分解对三种状态的齿轮振动信号进行分解,得到一组PF分量,并对PF分量进行频谱分析.分析结果表明,局部均值分解完成了对齿轮振动信号的有效分解,各PF分量的幅值谱获得了不同状态齿轮振动信号的特征谱线,实现了对齿轮状态特征的准确提取.

由于方法选择不当,齿轮箱中复合故障的特征提取会出现漏诊断或误诊断现象,LMD(Local mean deconvolution)对信号分解时由于噪声影响,会出现EMD(Empirical mode decomposition)相似的模态混叠现象,常导致能量泄漏或误诊现象。提出了一种CPFs-MOMEDA(Combined physical functions-Multipoint optimal minimum entropy deconvolution adjusted)的齿轮箱复合故障诊断方法。首先通过LMD对原信号降噪,得到一系列的PFs,通过相关系数法剔除虚假分量和残余成分;计算每层PF(Production function)的多点峭度,提取故障特征周期,将不含周期性冲击的PFs二次剔除,为了保持原信号的完整性,通过组合乘积函数方法重新组合具有相同周期的PF;最后设定不同的周期区间,通过MOMEDA对组合后的信号降噪,进一步提取故障特征。并将此方法应用在齿轮箱复合故障特征提取中,验证了此方法的可行性。

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。