针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。
输电线路故障信号是一种典型的非线性信号,分形几何理论为描述非线性故障信号的特性提供了一个有力的分析工具。针对传统分形维数的局限性,本文提出了一种基于局域均值分解(local mean decomposition,LMD)-形态学的分形维数-Elman神经网络的输电线路故障选相新方法。该方法通过对故障电流进行相模转换后,对单一线模分量进行LMD分解得到若干乘积函数(product function,PF)分量,然后选取前4个PF分量进行数学形态学的分形维数估计,最后形成特征向量作为Elman神经网络的输入参数。仿真试验表明:提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,与传统的BP神经网络相比,Elman神经网络具有更好的效果,为准确判断输电线路故障选相提供了一种快速有效的新方法。
针对铁道车辆走行部的滚动轴承故障特征,其故障信号通常被调制到高频,且还有大量噪声,提出了一种EMD(EmpiricalMode Decomposition)分解和基于LMS(least mean square)算法的自适应广义形态学滤波相结合的方法。先采用EMD分解得到高频信号,将低频干扰和噪声相分离;再使用LMS算法的形态学滤波和闭运算的方法进行形态解调。最后对其进行频谱分析,提取出故障特征。通过仿真实验和实例表明该方法能够有效的消除大量噪声和低频干扰,提取出滚动轴承故障特征。该方法计算速度快,易于实现,具有较好的实用价值。
