局部特征尺度分解（LCD）方法及其在机械故障诊断中的应用研究-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

局部特征尺度分解（LCD）方法及其在机械故障诊断中的应用研究

项目名称：局部特征尺度分解（LCD）方法及其在机械故障诊断中的应用研究
项目类别：面上项目
批准号：51075131
申请代码：E050302
项目来源：国家自然科学基金
研究期限：2011-01-01-2013-12-31

项目负责人：程军圣
负责人职称：教授
依托单位：湖南大学
批准年度：2010

中文摘要：

提出了一种新的自适应时频分析方法- - 局部特征尺度分解（Local characteristic-scale decomposition，简称LCD），并将该方法应用于机械故障诊断。LCD方法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，将信号自适应地分解为若干个ISC分量之和，从而得到信号完整的时频分布，其本质上是将多分量的信号分解为若干个单分量的调幅-调频信号之和，因此特别适合于处理多分量的调幅-调频信号。而当机械设备发生故障时，其振动信号大多数为多分量的调幅-调频信号，所以可以将LCD方法应用于机械故障诊断。本项目拟在对LCD方法若干理论问题进行深入研究的基础上，将该方法应用于机械故障诊断，在此基础上提出系统、完整的基于LCD的机械故障诊断方法。课题研究对于时频分析方法的发展、机械故障诊断技术水平的提高具有重要意义。

中文主题词：内禀尺度分量；局部特征尺度；信号分解；时频分析；机械故障诊断

英文摘要：

intrinsic scale component；local characteristic-scale；signal decomposition；time-frequency analysis；mechanical fault diagnosis

英文主题词： intrinsic scale component；local characteristic-scale；signal decomposition；time-frequency analysis；mechanical fault diagnosis

结论摘要：

项目定义了瞬时频率具有物理意义的单分量信号—内禀尺度分量（Intrinsic scale component，简称ISC），基于ISC分量提出了一种新的自适应信号分解方法—局部特征尺度分解（Local characteristic-scale decomposition，简称LCD），该方法能自适应地将复杂信号分解为若干个ISC分量之和，从而可以得到原始信号完整的时频分布。与经验模态分解方法相比，LCD方法具有更优良的时频局部化特性、避免包络误差、适合于在线监测等优点。项目对LCD方法的理论进行了研究和完善，并将其引入机械故障诊断，提出了一系列基于LCD的机械故障诊断方法。主要研究成果有1. 针对LCD存在的问题提出了相应的解决方法，对LCD的性能进行了研究。（1）在LCD理论研究的基础上，对LCD方法进行了改进，提出了多种改进算法。①为了解决LCD方法的频率混淆问题，分别提出了完备的总体平均局部特征尺度分解方法和部分集成局部特征尺度分解方法；②针对LCD方法中线性插值会导致分解结果失真的问题，分别提出了基于三次样条、B样条和有理样条的改进LCD方法；③针对LCD中存在的欠包络问题，提出了基于分段多项式的改进LCD方法；④在LCD方法的基础上，提出了广义的经验模态分解方法；⑤分析了低频ISC分量出现驻点的原因，提出了一种改进驻点的局部特征尺度分解方法。（2）对ISC分量判据进行了研究，提出了自适应的单调性判据方法。（3）建立分解能力研究模型，研究了分量信号的频率比、幅值比和初相位差以及迭代次数对LCD分解能力的影响。2. 提出了多种单分量信号瞬时频率的求取方法。（1）在对经验调幅调频分解方法研究的基础上，分别提出了基于经验包络的瞬时频率估计法；（2）在归一化希尔伯特变换解调的基础上，提出了归一化的正交法，并将其应用于ISC分量的瞬时频率求取。（3）提出了归一化复域能量算子解调方法。3. 将LCD方法应用于旋转机械故障诊断，提出了多种旋转机械故障诊断方法。（1）采用LCD对旋转机械故障振动信号进行分解，并和包络谱、双谱、倒谱、能量矩等方法相结合应用于故障特征提取。（2）将LCD和模糊熵、多尺度熵、排列熵等方法相结合应用于旋转机械故障诊断。（3）将LCD和神经网络、支持向量机、多变量预测模型等模式识别方法相结合应用于旋转机械的智能故障诊断。

成果综合统计