局部特征尺度分解方法及其分解能力研究_杨宇

基于LCD和局部Hilbert边际能量谱的滚动轴承故障特征提取方法杨潘;李东文;曾鸣【期刊名称】《机械强度》【年(卷),期】2015(37)1【摘要】在定义局部Hilbert边际能量谱的基础上,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和局部Hilbert边际能量谱的滚动轴承故障特征提取方法。

采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后对各个ISC分量进行Hilbert解调得到信号的时频分布。

根据信号时频分布中能量分布确定频率段的下限和上限频率,从而得到相应的局部Hilbert边际能量谱,计算该频率段内信号的能量并将其作为故障特征参数。

实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息。

【总页数】4页(P9-12)【关键词】局部特征尺度分解;局部Hilbert边际;能量谱;能量;滚动轴承;故障诊断【作者】杨潘;李东文;曾鸣【作者单位】湖南大学机械与运载工程学院;湖南大学汽车车身先进设计制造国家重点实验室【正文语种】中文【中图分类】TH165.3【相关文献】1.局部Hilbert边际能量谱在滚动轴承故障诊断中的应用 [J], 杨恭勇;周小龙;李家飞;梁秀霞2.基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法 [J], 杨宇;何知义;潘海洋;程军圣3.基于Hilbert边际谱的滚动轴承故障诊断方法 [J], 杨宇;于德介;程军圣4.基于广义形态学滤波和 Hilbert边际谱的滚动轴承故障诊断 [J], 崔宝珍;马泽玮;李会龙;王珊5.基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断 [J], 高峰;申江江;曲建岭;袁涛;何勰;余路因版权原因，仅展示原文概要，查看原文内容请购买。

一种新的非平稳信号分析方法——局部特征尺度分解法程军圣,郑近德,杨　宇(湖南大学汽车车身先进设计制造国家重点实验室,湖南长沙410082)摘要:在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local char acteristic-scale deco mpo sition,简称L CD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。

首先对LCD方法的原理进行了分析,然后给出了采用L CD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Empirica l mode decomposition,简称EM D)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EM D分解方法。

关键词:局部特征尺度分解;经验模态分解;内禀尺度分量;非平稳信号中图分类号:T N911.7;T H165.3 文献标识码:A 文章编号:1004-4523(2012)02-0215-06引　言经典的傅里叶变换方法只能处理线性和平稳信号,而自然界中的大部分信号是非线性和非平稳的。

由于时频分析方法能同时提供非平稳信号在时域和频域的局部化信息而得到了广泛的应用。

典型的时频分析方法有窗口傅里叶变换、Wigner-Wille分布、小波变换等[1]。

但这些方法都有各自的缺点,如窗口傅里叶变换具有固定的时频窗口,Wigner-Wille分布存在交叉项干扰,而小波变换则需要事先选择小波基,缺乏自适应性[2]。

1998年,美国国家宇航局的No rden E Huang 等创造性地提出了处理非平稳信号的新方法——希尔伯特黄变换方法(H ilbert-Hua ng transform,简称H HT)[3～6]。

该方法能自适应地将一个复杂信号分解为若干个内禀模态函数(Intrinsic mode functio n,简称IM F)之和,并进一步对各个IM F分量进行Hilbert变换,得到瞬时幅值和瞬时频率。

一种基于改进辛几何模态分解的复合故障诊断方法作者：杨宇程健彭晓燕潘海洋程军圣来源：《湖南大学学报·自然科学版》2020年第02期摘要：针对辛几何模态分解方法分析结果的不确定性，提出一种改进的辛几何模态分解方法. 首先对原时间序列进行相空间变换，获得轨迹矩阵;然后通过辛几何相似变换求得特征值和对应的特征向量，并通过对角平均得到一系列的初始辛几何分量;最后采用层次聚类方法对初始辛几何分量进行自适应重组，进而得到最终的聚类辛几何分量. 实验结果表明：改进的辛几何模态分解方法可以有效地对旋转机械复合故障信号进行特征提取，提高故障诊断的准确性.关键词：层次聚类;改进的辛几何模态分解;故障诊断;旋转机械;信号处理中图分类号：TH113 文献标志码：AAbstract：Aiming at the uncertainty of Symplectic Geometry Mode Decomposition （SGMD）method，an Improved Symplectic Geometry Mode Decomposition （ISGMD） method was proposed. Firstly，the phase space transformation of the original time series was carried out to obtain the trajectory matrix. Then the eigenvalues and the corresponding eigenvectors were obtained by symplectic geometric similarity transformation，and a series of initial symplectic geometric components were obtained by diagonal average. Finally，the hierarchical cluster method was employed to adaptively restructure the initial symplectic geometry components to obtain the final Cluster Symplectic Geometry Component （CSGC）. The experimental results indicate that the ISGMD method can effectively extract features from composite fault signals of rotating machinery and improve the accuracy of fault diagnosis.Key words：hierarchical cluster;Improved Symplectic Geometry Mode Decomposition （ISGMD）;fault diagnosis;rotating machinery;signal processing齿轮、滚动轴承等零部件作为机械设备的核心元素，其状态好坏直接关系到整个机械设备的运转性能. 当前，针对这种现象学者们已经开展研究，并取得了一定的成果. 但是大多学者只针对某单一故障进行研究，却忽视了复合故障存在的可能性. 当机械设备出现复合故障时，多种故障信号相互耦合以及在强噪声的干扰下使得故障类型分析难度加大[1]. 因此，需要采用合适的信号分析方法提取出有效的故障信息进行分析.经验模态分解（Empirical Mode Decomposition，EMD）[2-3]方法作为一种典型的信号分析方法，可以将待分析信号分解为若干个有意义的内禀模态函数（Intrinsic Mode Function，IMF）之和. IMF分量的频率受采样频率的影响，同时也随着原始信号的变化而变化，通过迭代和极值点包络可以有效地从待诊断信号中提取出含有故障信息的分量信號. 因此EMD方法是一种自适应的信号分析方法，适合用于处理非平稳信号. 局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）[4-5]方法是近几年提出的一种新方法，该方法借鉴EMD的思想通过设置基线信号将信号分解成多个内禀尺度分量（Intrinsic Scale Component，ISC）之和. 与EMD方法相比，该方法运算速度大大提高，信号处理效率得到明显提升，适用于在线监测. 虽然EMD和LCD在处理非平稳信号以及运算效率方面具有一定的优势，但它们同样也存在着许多难以克服的缺点，如端点效应和模态混叠等. 对此，相关学者已经做出大量研究工作，并提出相应的改进方法，抑制了端点效应、模态混叠等现象，但是又带来了新的不足. 例如提出的集合模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法一定程度上抑制了模态混叠现象，但增加了计算量，同时无法完全中和添加的白噪声，使EEMD不具有完备性.近年来，随着辛几何谱分析（Symplectic Geometry Spectrum Analysis，SGSA）[6-8]方法的提出，许多学者对其做了大量研究. 该方法是一种基于辛几何的信号分析方法，其核心是通过辛几何相似变换在不改变原时间序列本质特征的基础上获得相应的辛几何分量. SGSA方法具有较强的抗噪能力，在处理非平稳故障信号中有着较好的效果，但它同时也存在着自身的不足，主要有以下两点：第一，无法自适应地选择嵌入维数构造轨迹矩阵;第二，当进行辛几何重构时，该方法利用周期、频率等相似性来重构出最终的辛几何分量，并需要人为设置终止条件. 这些不足会导致最终的分析结果具有不确定性，严重影响辛几何谱分析方法的推广. 针对第一点不足，Pan等[9]将辛几何模态分解（Symplectic Geometry Mode Decomposition，SGMD）方法应用于故障诊断，采用功率谱密度（Power Spectral Density，PSD）方法自适应地确定嵌入维数，从而消除了人为设置嵌入维数给结果带来的不确定性. 但其辛几何分量的构造依然采用频率和相关系数相似度，同时也需要人为地设置迭代终止条件. 该缺陷将导致SGMD方法所得到的最终分析结果依然存在着一定的不确定性. 针对SGMD方法的这一缺陷，本文提出了一种改进的辛几何模态分解（Improved Symplectic Geometry Mode Decomposition，ISGMD）方法，该方法首先对待分析的时间序列信号进行相空间变换，获得轨迹矩阵;其次将轨迹矩阵进行辛几何相似变换求出特征值，所求特征值对应的特征向量经过重构得到具有原始信号完整结构信息的辛几何分量矩阵;然后对辛几何分量矩阵做对角平均化得到一系列的初始辛几何分量;最后采用层次聚类方法对初始辛几何分量进行自适应重组，进而得到最终的聚类辛几何分量（Cluster Symplectic Geometry Component，CSGC）.本文利用層次聚类（Hierarchical Cluster）方法[10-11]不需要设置聚类的阈值就可以得到较为准确的聚类结果这一优点，将层次聚类方法引入到SGMD方法中，其目的是为了实现分量自适应地重组，提高分析结果的准确性. 基于ISGMD是一种非平稳信号处理方法，同时可以将复合故障信号分解成若干个含有不同频率信息的辛几何分量的特点，本文的ISGMD方法可用于旋转机械复合故障诊断.从图19～图22可以看出，图19、图20、图21中提取出了轴承故障特征频率，而齿轮故障特征频率被完全覆盖;图22中同时提取出了齿轮和轴承故障特征频率. 对比可知，ISGMD方法在复合故障诊断方面优于EMD、LCD和SGMD方法，ISGMD方法是一种较好的复合故障诊断方法.4 结论本文提出了一种改进的辛几何模态分解方法，采用了层次聚类方法对SGMD方法进行改进，使其能够自适应地进行分量重组，并将其应用于复合故障诊断中. 通过对复合故障仿真信号和实验信号分析并将ISGMD方法和EMD、LCD、SGMD方法对比，结果表明ISGMD方法能更好地识别复合故障.参考文献[1] 杨宇，罗鹏，程军圣. 广义变分模态分解及其在齿轮箱复合故障诊断中的应用[J]. 中国机械工程，2017，28（9）：1069—1073.YANG Y，LUO P，CHENG J S. GVMD and its applications in composite fault diagnosis for gearboxes.[J]. China Mechanical Engineering，2017，28 （9）：1069—1073. （In Chinese）[2] YU D J，YANG Y，CHENG J S. Application of time-frequency entropy method based on Hilbert-Huang transform to gear fault diagnosis[J]. Measurement，2007，40 （9）：823—830.[3] YANG Z H，YU Z H，CHAO X，et al. Application of Hilbert-Huang transform to acoustic emission signal for burn feature extraction in surface grinding process[J]. Measurement，2014，47：14—21.[4] ZHENG J D，CHENG J S，YANG Y. A rolling bearing fault diagnosis approach based on LCD and fuzzy entropy[J]. Mechanism and Machine Theory，2013，70：441—447.[5] LUO S R，CHENG J S.VPMCD based novelty detection method on and its application to fault identification for local characteristic-scale decomposition[J]. Cluster Computing，2017，20 （4）：2955—2965.[6] XIE H B，DOKOS S，SIVAKUMAR B，et al. Symplectic geometry spectrum regression for prediction of noisy time series[J]. Physical Review E，2016，93（1/5）：052217.[7] LEI M，WANG Z Z，FENG Z J. A method of embedding dimension estimation based on symplectic geometry[J]. Physics Letters A，2002，303（2）：179—189.[8] XIE H B，DOKOS S. A hybrid symplectic geometry spectrum analysis and central tendency measure method for detection of determinism in noisy time series with application to mechanomyography[J]. Chaos，2013，23：023131.[9] PAN H Y，YANG Y，LI X，et al. Symplectic geometry mode decomposition and its application to rotating machinery compound fault diagnosis[J]. Mechanical Systems and Signal Processing，2019，114：192—194.[10] LIN Y C. Minimax problems under hierarchical structures[J]. Journal of Inequalities and Applications，2015（1）：1—10.[11] CALÓ D G，MONTANARI A，VIROLI C. A hierarchical modeling approach for clustering probability density functions[J]. Computational Statistics & Data Analysis，2014，71（3）：79—91.[12] BONIZZ P，KAREL M H，MESTE O，et al. Singular spectrum decomposition：a new time series decomposition [J]. Advances in Adaptive Data Analysis，2014，6（4）：107—109.。

No.9Sep.2020第9期2020年9月组合机床与自动化加工技术Modular Machine Tool & Automatic Manufacturing Techninue文章编号：1001 -2265(2020)09 -0047 -05DOI : 10.13462//. .nki. mmtamt. 2020. 09. 011一种局部特征尺度分解局部均值点求取方法崔伟成，杨利斌,桑德一(海军航空大学岸防兵学院，山东烟台264001)摘要:局部特征尺度分解是一种基于信号时域局部特征的自适应分解方法，其核心在于准确估计局部均值点。

为保证局部均值点的估计精度，进而提高分解质量，给出了一种基于分段三次样条插值 的局部特征尺度分解均值点求取方法。

估计某一个极值点时刻对应的局部均值点时，首先，找出与 该极值点相邻的4个不同类型的极值点，基于三次样条方法插值出极值点之间的局部包络线；其 次，在包络线上求取极值点时刻对应的镜像极值,点；最后，把原始极值点与对应的镜像极值点取算 术平均值作为局部均值点。

通过对仿真信号和齿轮断齿振动信号的自适应分解发现了该方法能有效提高分解质量。

关键词：局部特征尺度分解;局部均值点；分段插值;三次样条插值中图分类号:TH16 ；TG506文献标识码:AA Computing Algorittm of Local Mean Point of Local Characteristic-scale Decomposition CUI Wei-cheng ,YANG Li-bin ,SANG De-yl(Colleae of Coastal Defense , Naval Aeronautical Uniwrsity , Yantai Shandong 264001, China )Abstract : The local characteristic -scale decomposition (LCD ) is an effective adaptive decompositionmehhod , whosefoundahion eiesin accuraheeshimahion ofhheeocaemean poinhs.In orderho improvehhedel composition quality of standard LCD , a computing algosthm of local mean points was given based on sub ­section polynomial mtemolaWon. When estimated the local mean point corresponding to an exheme point ,Firstly , the local mean envelope was estimated based on subsection cubic spline inWmolCion according to four adjacent dtferent types of extreme points. Secondly , the meTor extreme point was estimated on thelocal mean envelope. Finally , the mean of the micor point and the exheme point was calculated as the lo- caemean poinh.Theanaey&iofhhe&imueahed dahaand achuaegearing fauehdaha&how&hhahhhemehhod can improvehhequaeihy ofdecompo&ihion e f echiveey.Key words ： local charactemstW-scale decomposition & local mean point & subsection inWmoStion ； cubic splineinherpoeahion0引言局部特征尺度分解(Local characte/syc-ocale de ­composition , LCD )［1-4］是湖南大学程军圣、杨宇等学者在本征时间尺度分解(IntOnsio ame-ocale decomposi ­tion , ITD ) ［5］的基础上创造性地提出的一种有效的自 适应分解方法。

基于局部特征尺度分解法的声反馈抑制算法叶磊;黄莹;孟木子【摘要】出于抑制扬声系统中声反馈的目的,提出基于新时频分析法——局部特征尺度分解(Local Characteristicscale Decomposition,LCD)的声反馈抑制新算法.通过一次分解,分离出局部特征最明显的内禀尺度分量(Intrinsic Scale Component,ISC)——啸叫单频分量,并以此算法为理论基础,给出了基于DSP的系统设计.对导入的语音信号叠加啸叫单音进行仿真分析,分析结果表明,此方法能有效分离语音与啸叫单音,并且可完好保留语音信息.【期刊名称】《电声技术》【年(卷),期】2015(039)008【总页数】5页(P54-57,62)【关键词】语音信号;局部特征尺度分解法;内禀尺度分量;DSP【作者】叶磊;黄莹;孟木子【作者单位】南京邮电大学电子科学与工程学院,江苏南京210000;南京邮电大学电子科学与工程学院,江苏南京210000;南京邮电大学电子科学与工程学院,江苏南京210000【正文语种】中文【中图分类】TP3911 引言啸叫现象在扩声系统中十分普遍，扩声设备发出的声音被拾音设备接收，构成一个闭环系统，声反馈信号在系统中循环放大，最终系统自激，产生尖锐的啸叫音。

啸叫不仅掩盖了有用信号，还可能对人耳听力造成损伤甚至烧坏扩声设备。

现行的声反馈抑制方法包括:（1）频率均衡法[4]——宽带陷波（缺点:需要专业调音师）;（2）反馈抑制器法[5]——窄带陷波（缺点:误抑制人声）;（3）调相法、移频法[6]（缺点:影响音质）;（4）随机相位法[7]（缺点:效率不高）;（5）调整距离法（缺点:弱适应性）;（6）现有的自适应陷波器[8]，缺点一是其针对工频50 Hz，二是它的自适应性为小范围[9]——在确定频率左右微调以求得最佳陷波效果。

语音信号同自然界大多数信号一样具有随机性和不稳定性，信号的时域分析、频域分析[1]在处理时变非平稳信号时仍有欠缺。

局部特征尺度分解结合局部均值解调的齿轮故障诊断崔伟成;许爱强;李伟;孟凡磊【期刊名称】《中国机械工程》【年(卷),期】2016(027)024【摘要】为了准确地进行故障诊断，根据齿轮故障振动信号的多分量调幅调频特征，提出了一种新的解调方法———局部均值解调法，将之与局部特征尺度分解相结合进行齿轮故障诊断。

该诊断方法首先对齿轮振动信号运用局部特征尺度分解，得到若干个内禀尺度分量，然后应用局部均值解调法求取每个分量的调频分量，最后根据瞬时频率的频谱进行故障诊断。

采用仿真信号将局部均值解调法与 Hilbert 解调法、经验调幅调频分解法进行了对比，结果表明，局部均值解调法的精确性更好。

通过齿轮故障振动数据的分析，验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。

【总页数】6页(P3332-3337)【作者】崔伟成;许爱强;李伟;孟凡磊【作者单位】海军航空工程学院，烟台，264001;海军航空工程学院，烟台，264001;海军航空工程学院，烟台，264001;海军航空工程学院，烟台，264001【正文语种】中文【中图分类】TN911.23;TP206.3【相关文献】1.基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断 [J], 崔伟成;许爱强;李伟;孟凡磊2.一种局部特征尺度分解局部均值点求取方法 [J], 崔伟成;杨利斌;桑德一3.局部特征尺度分解方法及其在齿轮故障诊断中的应用 [J], 程军圣;杨怡;杨宇4.基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用 [J], 程军圣;郑近德;杨宇5.基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究 [J], 齐嘉兴;崔伟成;赵修平因版权原因，仅展示原文概要，查看原文内容请购买。