基于优化VMD组合降噪和LMD的水轮机空化声发射信号特征提取

针对水轮机空化声发射信号存在噪声,进而影响信号特征有效提取的问题,提出基于优化变分模态分解(VMD)与Birge-Massart策略组合降噪和局部均值分解( LMD)的水轮机空化声发射信号特征提取方法.针对VMD算法中惩罚因子和分解模态数对分解结果有着显著影响,提出以散布熵差异相关系数最小值为目标函数,利用哈里斯鹰优化算法(HHO)对VMD进行参数寻优.以最优参数的VMD分解信号,得到一系列本征模态函数(IMF).计算各IMF的相关系数,对相关系数小于0.1的IMF进行剔除,大于0.5的IMF进行保留,0.1到0.5的IMF采用小波BM准则进行降噪,并与保留的分量重构.对重构信号进行LMD处理,将分解得到的乘积函数(PF)分量的能量提取为信号特征.试验分析结果表明,经过优化VMD组合降噪处理和LMD处理得到PF分量的能量与空化系数之间呈负相关,验证了所提方法用于水轮机空化状态识别的可行性.     

基于改进LMD的泵站摆度信号分析

局部均值分解(local mean decomposition, LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.     

基于局部均值分解（LMD）的单通道触电信号盲源分离算法

针对从低压电网的剩余电流中提取触电电流的难题,该文提出局部均值分解(local mean decomposition,LMD)与盲源分离相结合提取触电电流的方法。利用LMD算法自适应的将剩余电流信号分解为若干个PF(product function)分量,计算各分量与原始信号的相似系数,选取相似系数最大且大于0.8的模态分量构造虚拟通道,与剩余电流信号一起构建盲源分离的2个通道,再利用FastICA算法从剩余电流信号中提取触电电流。试验结果表明:相较于经验模态分解(empirical mode decomposition,EMD)时间0.129 s,LMD分解时间为0.032 s,速度更快;在单相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.937 4和0.925 3,平均相对误差分别为0.096 2和0.109 8;在三相电路触电时,基于LMD-FastICA算法和EMD-FastICA算法提取的触电电流与原始触电电流的平均相关系数分别为0.962 4和0.948 9,平均相对误差分别为0.056 4和0.081 55;LMD-FastICA与EMD-FastICA两种算法分解信号的峰值因子的相对误差范围分别为0.001～0.103和0.012～0.155,且抑制端点效应更好。研究结果可为开发基于触电电流动作的新型剩余电流保护装置奠定理论基础。     

基于数学形态滤波与LMD的农用电机齿轮故障诊断

由于农用电机中的齿轮运行环境恶劣,早期故障的不易发现,鉴于故障振动信号的非平稳性、非线性,并存在于大量的噪声信号中,很难提取故障特征。该研究采用数学形态滤波与局域均值分解相结合的方法。通过多结构多尺度数学形态滤波器对齿轮故障振动信号进行背景噪声滤除和振动信号提取,结合局域均值分解对信号进行处理,进而提取能量特征参数,并作归一化处理,最后采用BP神经网络对齿轮的各种运行状态进行分类识别。通过分析齿轮的正常状态,磨损和断齿与基于LMD分解的诊断结果作比较,该方法的故障识别率高于基于LMD和神经网络。