基于LMD的包络分解在转子故障特征提取中的应用.docx

基于LMD的包络分解在转子故障特征提取中的应用
基于LMD的包络分解在转子故障特征提取中的应用
摘要：转子故障是许多机械设备中常见的故障类型之一，对于故障的及早检测和诊断对于确保设备的正常运行和延长其寿命具有重要意义。传统的故障特征提取方法在转子故障检测中存在一定的局限性，无法提取到故障信号中的微弱特征信息。近年来，基于局部模态分析的包络分解方法表现出在故障特征提取中的良好性能，可有效提取出转子故障信号中的特征信息。本文将介绍LMD（局部模态分解）方法以及其在转子故障特征提取中的应用，分析包络分解方法在提取转子故障特征中的优势，并通过实验验证其有效性。
关键词：转子故障；特征提取；LMD；包络分解；故障诊断
1.引言
转子是许多机械设备的核心部件之一，其状态直接影响到设备的性能和可靠性。然而，由于工作环境的复杂性和持续使用的磨损，转子往往容易发生故障，如不平衡、轴承故障和裂纹等。及早检测和诊断转子故障对于维持设备的正常运行和延长其寿命至关重要。
2.传统的故障特征提取方法
在过去的几十年里，研究人员提出了许多传统的故障特征提取方法，如时频分析、小波分析和傅里叶分析等。然而，这些方法在转子故障检测中存在一定的局限性。首先，由于转子故障信号往往是非平稳的，无法通过传统的频域分析方法获得准确的频谱分析结果。其次，转子故障信号中的故障特征往往非常微弱，传统的时频分析方法无法有效提取出这些特征。
3.LMD方法介绍
局部模态分解（LocalMeanDecompostion，LMD）是一种基于时频分析的分解方法，可以将非平稳信号分解成一系列局部频率调制（LocalFrequencyModulation，LFM）分量。LMD方法对于非平稳信号的时频变化非常敏感，可以有效提取出信号中的局部特征。LMD方法将信号分解成原始分量和包络分量两部分，其中原始分量包含信号的局部频率模态，包络分量描述了信号的能量变化。
4.包络分解方法在转子故障特征提取中的应用
在转子故障特征提取中，包络分解方法可以利用LMD方法将非平稳的故障信号分解成原始分量和包络分量。原始分量包含了信号的局部频率特征，可以用于故障类型的判别，而包络分量则可以用于故障程度的评估。
4.1轴承故障的特征提取
轴承是转子故障中最常见的一种故障类型，其故障特征主要表现在低频成分的幅值和相位变化上。传统的频谱分析方法无法准确提取出这些特征，而包络分解方法可以通过提取包络分量的幅值和相位信息实现准确的故障特征提取。
4.2不平衡故障的特征提取
不平衡是另一种常见的转子故障类型，其故障特征主要表现在高频成分的幅值和相位变化上。包络分解方法可以通过提取原始分量中的局部频率信息实现准确的故障特征提取。
5.实验验证
为了验证包络分解方法在转子故障特征提取中的有效性，我们进行了一系列的实验。实验使用了不同类型的转子故障信号，分别使用传统的频域分析方法和包络分解方法进行特征提取，并比较其结果。
实验结果表明，基于LMD的包络分解方法相对于传统的频域分析方法，在提取转子故障特征中具有更好的性能。该方法可以准确提取出故障信号中的微弱特征信息，并对不同类型的转子故障进行有效区分和诊断。
6.结论
本文介绍了基于LMD的包络分解方法在转子故障特征提取中的应用。通过实验验证，我们证明了该方法在转子故障检测中具有良好的性能。未来的研究可以继续优化包络分解方法的参数和算法，并将该方法应用于更多的转子故障类型的检测和诊断中。
参考文献：
[1]YanF,SadarjoenIA,etal.ApplicationofLocalMeanDecompositiontoRotorFaultDiagnosis.MechanicalSystemsandSignalProcessing,2014,44:220–233.
[2]LiY,ChenX,etal.RotorFaultDiagnosisusingLocalMeanDecompositionandFuzzySVMClassifier,MechanicalSystemsandSignalProcessing,2019,115:473-498.
[3]LiuY,HanG,etal.FeatureextractionofrotatingmachineryfaultsignalbasedonLMDandinstantaneousfrequency.MechanicalSystemsandSignalProcessing,2015,65:276-291.