風(fēng)機(jī)LMD信號診斷

Hilbert-Huang 變換是由 Norden  E.  Huang 在 1998 年提出的，由于其適用于非平穩(wěn)、非線性的信號分析，在實際工程中得到了廣泛的應(yīng)用。HHT 主要包括兩個步驟，其一，對信號進(jìn)行經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)，得到若干個本征模態(tài)函數(shù)(Intrinsic Mode Functions, IMF)；其二，對 IMF 分量進(jìn)行 Hilbert 變換形成解析信號后求解瞬時頻率和瞬時幅值，這樣便得到各個分量的時頻譜圖。
EMD 分解是一個不斷篩分的過程，能夠得到不同頻段上的本征振動模式，很好地體現(xiàn)了信號的故障特征，并且可以有效對故障信號進(jìn)行特征提取，非常適合對非平穩(wěn)信號進(jìn)行分析，目前在氣象學(xué)領(lǐng)域，玄兆燕等人利用 EMD 將大氣數(shù)據(jù)進(jìn)行分后再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，提高了預(yù)測的準(zhǔn)確度；劉莉紅等人利用 EMD 對全國氣溫序列及東部降水量序列進(jìn)行分解后，對不同尺度上的振蕩模態(tài)特征進(jìn)行分析。林振山等人利用 EMD 對中國生態(tài)足跡及生物承載能力進(jìn)行分析，對不同波動周期的IMF 分量進(jìn)行預(yù)測模型分析，將該方法應(yīng)用于生態(tài)領(lǐng)域。在機(jī)械故障診斷領(lǐng)域，于徳介等人將 EMD 用在轉(zhuǎn)子故障、齒輪箱故障、滾動軸承故障診斷中，Y. G. Lei 將改進(jìn)的 Hilbert-Huang 變換用于機(jī)械故障診斷中。另外，Hilbert-Huang 變換在電力系統(tǒng)、生物信號、圖像處理等領(lǐng)域也有廣泛的應(yīng)用。
但是在使用過程中，EMD 也存在一些問題，如端點效應(yīng)、模態(tài)混疊、過包絡(luò)、欠包絡(luò)等現(xiàn)象，而且在進(jìn)行 Hilbert 過程中會產(chǎn)生負(fù)頻率，隨著研究的深入，lbert-Huang 變換會日趨完善。
局部均值分解(Local  Mean  Decomposition,  LMD)算法是由 Jonathan  S.  Smith 在2005 年提出的一種新的自適應(yīng)時分解算法，起初被應(yīng)用到腦電領(lǐng)域，其基本思想是將一個復(fù)雜的多分量信號自適應(yīng)分解為幾個瞬時頻率具有物理意義的乘積函數(shù)(Product  Function,  PF)之和，每個 PF 分量是由包絡(luò)函數(shù)和純調(diào)頻函數(shù)相乘得到，PF分量的瞬時幅值就是該包絡(luò)函數(shù)，PF 分量的瞬時頻率可以由純調(diào)頻函數(shù)求導(dǎo)得到，然后所有的PF分量的瞬時幅值和瞬時頻率組成了原始信號的時頻分布特性。事實上，由 LMD 計算得到 PF 分量是一個單分量的調(diào)幅調(diào)頻信號，因此 LMD 尤其適合于多分量的調(diào)幅調(diào)頻信號的分析。
因為 LMD 具有優(yōu)良的時頻分析性質(zhì)，因此被引入到機(jī)械故障診斷中，目前有一部分學(xué)者對此展開了研究。2008 年，浙江大學(xué)的任達(dá)千首先將 LMD 應(yīng)用機(jī)械故障
診斷中，系統(tǒng)地分析了 LMD 的算法，討論了和 EMD 的異同點，研究了純調(diào)頻信號瞬時頻率的直接求取法，并開發(fā)了基于 LMD 的旋轉(zhuǎn)機(jī)械故障分析原型系統(tǒng)；2009年，程軍圣等針對齒輪箱故障振動信號的調(diào)制特征，將 LMD 用在齒輪箱故障診斷中，并與 EMD 方法進(jìn)行了對比，實驗結(jié)果表明 LMD 方法可以有效檢測出齒輪故障頻率。2010 年，鄭州大學(xué)的劉衛(wèi)兵提出了基于 LMD 和 Wigner 高階矩的機(jī)械故障診斷方法，為 Wigner 高階矩譜交叉項的抑制提供了新方法，另外，他還結(jié)合 LMD 和盲源分離的特點，提出了基于 LMD 的機(jī)械故障欠定盲源分離方法，能有效地處理非平穩(wěn)信號的欠定盲分離。2011 年，鞠萍華等提出了基于 LMD 的能量算子解調(diào)方法，可求取每個 PF 分量的幅頻信息，有效提取機(jī)械故障振動信號的特征根據(jù)乘積函數(shù)具有正交性的特點，將正交性判據(jù)引入了局部均值分解中，精確確定PF 分量迭代過程終止時刻，從而實現(xiàn)了對信號的正確分解.
目前 LMD 已經(jīng)引起了廣大研究者的興趣，但是 LMD 的使用還處于起步階段，其發(fā)展空間巨大，相比于 EMD 算法，在抑制端點效應(yīng)、消除欠包絡(luò)和過包絡(luò)、減少迭代次數(shù)方面有較為明顯的優(yōu)點，但是由于 LMD 的使用還在初始階段，還存在一些問題，如計算過程中平滑步長的選取等。
 

石家莊風(fēng)機(jī)廠石家莊風(fēng)機(jī)石家莊風(fēng)機(jī)銷售石家莊風(fēng)機(jī)維修