局部均值分解(Local mean decomposition,LMD)方法是一种新的自适应时频分析方法,但在其实现过程中会发生模态混淆现象,使分析结果失真。通过数值试验得到了LMD对白噪声的滤波器组结构,并在此基础上,针对模态混淆现象提出总体局部均值分解(Ensemble local mean decomposition,ELMD)方法。在该方法中添加不同的白噪声到目标信号,分别对加噪后的信号进行LMD分解,最后将多次分解结果的平均值作为最终的分解结果。对仿真信号和试验转子局部碰摩信号进行分析,结果表明ELMD方法能有效地克服原LMD方法的模态混淆现象。
针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition,简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。
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.
为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法。该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断。利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征。
针对局部均值分解方法(Local mean decomposition,LMD)的乘积函数(Product function,PF)判据问题,根据乘积函数具有正交性的特点,将正交性判据(Orthogonality criterion,OC)引入了LMD方法。即将每次迭代后的OC值与预先确定的阈值进行比较,以此来确定乘积函数迭代过程的终止点。通过对仿真信号和实际信号的分析,验证了采用正交性判据确定的乘积函数满足正交性要求,反映了信号内含的物理信息,从而实现了对信号正确的分解。
