风机LMD信号诊断

Hilbert-Huang 变换是由 Norden  E.  Huang 在 1998 年提出的，由于其适用于非平稳、非线性的信号分析，在实际工程中得到了广泛的应用。HHT 主要包括两个步骤，其一，对信号进行经验模态分解(Empirical Mode Decomposition, EMD)，得到若干个本征模态函数(Intrinsic Mode Functions, IMF)；其二，对 IMF 分量进行 Hilbert 变换形成解析信号后求解瞬时频率和瞬时幅值，这样便得到各个分量的时频谱图。
EMD 分解是一个不断筛分的过程，能够得到不同频段上的本征振动模式，很好地体现了信号的故障特征，并且可以有效对故障信号进行特征提取，非常适合对非平稳信号进行分析，目前在气象学领域，玄兆燕等人利用 EMD 将大气数据进行分后再利用神经网络进行预测，提高了预测的准确度；刘莉红等人利用 EMD 对全国气温序列及东部降水量序列进行分解后，对不同尺度上的振荡模态特征进行分析。林振山等人利用 EMD 对中国生态足迹及生物承载能力进行分析，对不同波动周期的IMF 分量进行预测模型分析，将该方法应用于生态领域。在机械故障诊断领域，于徳介等人将 EMD 用在转子故障、齿轮箱故障、滚动轴承故障诊断中，Y. G. Lei 将改进的 Hilbert-Huang 变换用于机械故障诊断中。另外，Hilbert-Huang 变换在电力系统、生物信号、图像处理等领域也有广泛的应用。
但是在使用过程中，EMD 也存在一些问题，如端点效应、模态混叠、过包络、欠包络等现象，而且在进行 Hilbert 过程中会产生负频率，随着研究的深入，lbert-Huang 变换会日趋完善。
局部均值分解(Local  Mean  Decomposition,  LMD)算法是由 Jonathan  S.  Smith 在2005 年提出的一种新的自适应时分解算法，起初被应用到脑电领域，其基本思想是将一个复杂的多分量信号自适应分解为几个瞬时频率具有物理意义的乘积函数(Product  Function,  PF)之和，每个 PF 分量是由包络函数和纯调频函数相乘得到，PF分量的瞬时幅值就是该包络函数，PF 分量的瞬时频率可以由纯调频函数求导得到，然后所有的PF分量的瞬时幅值和瞬时频率组成了原始信号的时频分布特性。事实上，由 LMD 计算得到 PF 分量是一个单分量的调幅调频信号，因此 LMD 尤其适合于多分量的调幅调频信号的分析。
因为 LMD 具有优良的时频分析性质，因此被引入到机械故障诊断中，目前有一部分学者对此展开了研究。2008 年，浙江大学的任达千首先将 LMD 应用机械故障
诊断中，系统地分析了 LMD 的算法，讨论了和 EMD 的异同点，研究了纯调频信号瞬时频率的直接求取法，并开发了基于 LMD 的旋转机械故障分析原型系统；2009年，程军圣等针对齿轮箱故障振动信号的调制特征，将 LMD 用在齿轮箱故障诊断中，并与 EMD 方法进行了对比，实验结果表明 LMD 方法可以有效检测出齿轮故障频率。2010 年，郑州大学的刘卫兵提出了基于 LMD 和 Wigner 高阶矩的机械故障诊断方法，为 Wigner 高阶矩谱交叉项的抑制提供了新方法，另外，他还结合 LMD 和盲源分离的特点，提出了基于 LMD 的机械故障欠定盲源分离方法，能有效地处理非平稳信号的欠定盲分离。2011 年，鞠萍华等提出了基于 LMD 的能量算子解调方法，可求取每个 PF 分量的幅频信息，有效提取机械故障振动信号的特征根据乘积函数具有正交性的特点，将正交性判据引入了局部均值分解中，精确确定PF 分量迭代过程终止时刻，从而实现了对信号的正确分解.
目前 LMD 已经引起了广大研究者的兴趣，但是 LMD 的使用还处于起步阶段，其发展空间巨大，相比于 EMD 算法，在抑制端点效应、消除欠包络和过包络、减少迭代次数方面有较为明显的优点，但是由于 LMD 的使用还在初始阶段，还存在一些问题，如计算过程中平滑步长的选取等。
 

石家庄风机厂石家庄风机石家庄风机销售石家庄风机维修