【摘 要】
：
局部均值分解(Local Mean Decomposition,LMD)方法是一种以信号局部极值点为基础的非平稳信号分析方法.在实际应用过程中,由于信号采样点与信号局部极值点的偏差,会导致分解结果失真.以三角函数信号为研究对象,分析了不同采样频率下LMD方法分解误差的变化情况,并提出了相位平均模型定量描述不同采样率下LMD方法的理论分解误差.在此基础上,通过数值实验验证了理论误差模型与实际误差的一
【机 构】
：
长沙理工大学能源与动力工程学院,长沙410114
【出 处】
：
2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016
论文部分内容阅读
局部均值分解(Local Mean Decomposition,LMD)方法是一种以信号局部极值点为基础的非平稳信号分析方法.在实际应用过程中,由于信号采样点与信号局部极值点的偏差,会导致分解结果失真.以三角函数信号为研究对象,分析了不同采样频率下LMD方法分解误差的变化情况,并提出了相位平均模型定量描述不同采样率下LMD方法的理论分解误差.在此基础上,通过数值实验验证了理论误差模型与实际误差的一致性,为运用LMD方法时采样频率的选择提供了理论依据.
其他文献
传统钢结构设计一般将框架梁柱节点处理成理想的刚接或铰接.然而,实际工程中大部分连接的受力性能介于这两者之间,为半刚性连接.为了准确评估半刚性连接特性,采用支持向量机算法建立半刚性连接计算模型,并通过与其它算法预测的抗弯承载力进行比较,结果表明基于支持向量机算法的半刚性连接计算模型具有较高的精度和良好的可预测性,对实际工程应用有其使用价值.
基于LMS Test.Lab软件以及相关硬件,搭建了螺杆泵管道振动测试分析系统,对陕西某石化公司一个润滑油站螺杆泵管道系统进行了工作模态和试验模态测试分析,并应用Bentley AutoPIPE分析软件对该螺杆泵管道系统进行了机械结构的理论模态分析,发现工作模态、试验模态测试的分析结果与理论模态的分析结果可以相互验证,并体现了较高的一致性,为现场螺杆泵管道系统制定了合理的减振措施.现场依据该措施进
针对径向载荷作用下滚动轴承表面局部缺陷引起的振动问题,为了更加准确地揭示振动过程的本质,本文将滚动体经过缺陷的接触过程进一步细化,建立了滚动轴承内圈表面局部缺陷的2自由度动力学模型.将滚动体从进入缺陷到离开缺陷的过程细化为进入事件、冲击事件、载荷补偿事件和离开事件,根据相应事件构造合适的激励力函数,考虑缺陷存在引起的时变位移和系统振动引起的时变位移对动力学响应特性的影响,基于赫兹接触理论,建立轴承
计算阶比分析是旋转机械变转速振动信号分析和故障诊断的重要技术之一,然而该算法在计算精度以及计算效率方面存在不足,严重影响其在实际工程应用中的推广,因此有必要对传统的计算阶比分析算法进行改进.提出了基于等脉冲间隔重采样的计算阶比分析算法,该算法可以有效减少重采样过程中的误差,避免了大量方程的求解,效率提高明显.利用实测的滚动轴承升速信号对改进算法进行验证,分析结果与传统的计算阶比分析结果的对比证明基
共振解调是一种常用的滚动轴承故障诊断方法,针对应用该方法时如何选择最优中心频率和带宽的问题,以共振频带包络谱特征为基础,提出了一种基于遗传算法和频域相关峭度的自适应方法.利用遗传算法强大的泛优化能力,应用频域相关峭度即滤出信号包络谱的相关峭度值设计适应度函数,通过选择、遗传和变异操作对带通滤波器的截止频率进行优化,寻找最优的共振频带进行解调.应用两组货车轮对轴承实测实验数据验证了本文方法的有效性和
结合改进的经验模态分解技术(Enhancement Ensemble Empirical Mode Decomposition,EEMD)和多重信号分类算法(Multiple Signal Classification,MUSIC),提出了基于阵列信号机械轴承声源定位技术,对机械转子系统运行时的由故障产生的异常声音进行实时监测和定位分析.首先,利用EEMD技术提取声源信号得到含特征频率的固有模态函
滚动轴承初始故障信号比较微弱,易被噪声淹没,因此根据故障信号来进行缺陷大小的识别始终是一个难题.为了能够准确的识别缺陷的大小,本文提出了基于双脉冲响应的滚动轴承缺陷尺寸识别方法.首先采用自回归模型对提取到的滚动轴承原始故障信号进行预白化处理,再利用能量算子解调方法进行包络解调突出故障特征,最后借助sym5小波进行离散小波变换得到双脉冲信号,从而确定滚动体进入和退出缺陷对应的时刻,估计缺陷的尺寸大小
滚动轴承产生失效的原因复杂,早期故障信号能量微弱,振动噪声明显,因此对故障特征提取技术的研究一直是滚动轴承故障诊断的关键.针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点,为了有效提取故障特征,提出了一种共振稀疏分解(Resonance-based Sparse Signal Decomposition,RSSD)与小波变换相结合的振动信号特征提取技术.其中,共振稀疏分解是基于品
风电作为一种清洁的可再生能源,越来越受到世界各国的重视.齿轮箱作为风力发电机组的关键部件,其运行的健康状况对整个风力发电机组的正常运行影响重大.齿轮箱振动信号中包含有用的故障信息,但由于齿轮箱故障信号比较微弱,容易被外界噪声和其他部件的振动信号淹没.对独立分量分析(ICA)典型算法的理论进行了论述.通过将分析结果与齿轮箱故障波形进行对比,发现采用基于负熵的FastICA进行信号分离不仅有助于正确地
齿轮箱是风力发电机械设备中的重要组成部分,由于自身的功能性决定,齿轮箱也是风力发电机机械设备中故障最频发的系统之一,由此风力发电机齿轮箱的故障诊断问题也就被凸显出来.目前比较常见的研究方法是检测风电机组转子的工作状态,通过获取振动信号进行频谱分析并诊断故障.在此基础上,根据对振动信号处理方法的不同可分为传统信号处理方法,现代信号处理方法以及人工智能处理方法.通过描述对比已有各种齿轮箱故障诊断方法,