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...
详细信息
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.
在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法.分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算...
详细信息
在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法.分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;对包络后的故障特征分量做频谱分析诊断轴承的故障及部位.应用实例结果表明:该方法能在强噪声环境下有效地提取滚动轴承内、外圈的故障特征,性能优于固定字典的MCA方法,为MCA方法在选取字典时提供了新思路.
暂无评论