局部特征尺度分解方法及其分解能力研究_杨宇

合集下载

一种新的时频分析方法——局部特征尺度分解

第３９卷第６期
２Ｏ２年１
湖
南
大
学
学
报（自然科学版）
Ｖｏ＿９，．ｌ３Ｎｏ６
６月
ＪｕｎｌｆＨｕａｉｅｓｔ（ｔｒｌＳｉｎｅ）ｏｒａｎｎＵｎｖｒｉＮａｕａｃｅｃｓｏｙ
Ｔｈｎａｙｉｅｕｔｖｅｅａｌｓｓｒｓｌｓｈａｅｄｍｏｎｓｒｔｄｔｅｖｌｄｔｈｗｏｄｃｔａｅｈａｉｉｙｏｆｔｅｔｅｏｍｐｏｉｉｎｍｅｈｏ．Ｍｏｒｏｖｒｓｔｏｔｄｓｅｅ，ＬＣＤｓｉｓｕｐｅｉｏＥＭＤｎｃｒｏｒｔｉｏｍｐｕａｉｎｌｅｆｃｅｙａｄｒｓｒｃｉｎｎｄｅｆｃｓｎａｉｉｔｔｏａｆｉｉｎｃｎｅｔｉｔｏｏｆｅｆｅｔ．Ｉｄｄｔｏｎ，ＬＣＤｓａｓｐｉｄｉｌｏａｐｌｅｔａｔｄａｎｏｉｏｏｌｒｂｅｒｎｇａｈｎａｙｉｅｕｌｓｆｏｔｃｕａａｔｖｉａｉｎｓｇｎｌｈａｅｆ — ｏｆｕｌｉｇｓｓｆｒｒｌｅａｉｎｄｔｅａｌｓｓｒｓｔｒｍｈｅａｔｌｆｕｌｂｒｔｏｉａｖｕｒｔｅｒｅｈｆｅｔｖｎｅｓｏｈｒｐｏｖｄｔｅｅｆｃｉｅｓｆＬＣＤ．Ｋｅｒｓ：ａｔｉｇｎｓｓｌａｃｒｃｅｉｔｃｓａｅｄｃｙｗｏｄｆｕｌｄａｏｉ；ｏｃｌｈａａｔｒｓｉ— ｃｌｅｏｍｐｏｉｉｎ；ｉｔｉｉｃｌｃｓｔｏｎｒｎｓｃｓａｅｏｍｐｅ；ｒｌｒｏｎｎｔｏｌｅｂｅｒｎａｉｇｓ

自适应特征尺度分解方法及其应用

方法都具有一定的局限性。局部特征尺度分解（，ｌｏｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃ－ｓｃａｌｅｄｅｃｏｍｏｓｉｔｉｏｎＬＣＤ）ｐ［方法是最近提出的一种自适应时频分析方法４］。该方法在定义瞬时频率具有物理意义的单分量信号— — — 内禀尺度分量（，ｉｎｔｒｉｎｓｉｃｓｃａｌｅｃｏｍｏｎｅｎｔｐ基础上，通过提取数据本身的特征尺度参ＩＳＣ）数，可自适应地将复杂信号分解为若干个ＩＳＣ分量之和。相对于ＥＭＤ和ＬＭＤ方法，ＬＣＤ方法抑制端点效应和模态混叠等方面具在分解速度、
［１０］方法和ＡＭＤ）ＣＬＣＤ方法。对具有碰摩故障的转子振动位移信号的分析结果验证了ＡＣＤ的
·３１８４·
中国机械工程第２６卷第２３期２０１５年１２月上半月
自适应特征尺度分解方法及其应用
吴占涛程军圣杨宇
湖南大学汽车车身先进设计制造国家重点实验室，长沙，４１００８２
摘要：针对局部特征尺度分解（存在的模态混叠问题和其在均值曲线定义方面存在的不足，在ＬＣＤ）充分借鉴经验模态分解（和Ｌ对ＬＣＤ方法研究的基础上，ＥＭＤ）ＣＤ等此类基于筛分的信号分解方法的定义了一种新的瞬时频率具有物理意义的单分量信号 — — — 内禀致密尺度分量（，并提出了一思路，ＩＣＣ）种新的自适应信号分解方法 — — —自适应特征尺度分解（方法。同时，给出了ＩＡＣＤ）ＣＣ分量评价准则，通过对Ａ选取ＣＤ每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比，从而保障最终分解效果优于Ｌ最优分量作为该阶筛分的ＩＣＣ分量，ＣＤ方法分解效果。对仿真信号的分析结果证实了Ａ方法的分解效果优于、、总体平均经验模态分解（和自主致密局ＣＤＥＭＤＬＣＤＥＥＭＤ）部特征尺度分解（方法的分解效果；对实验数据的分析结果验证了Ａ从而为旋转ＡＣＬＣＤ）ＣＤ的有效性，机械故障诊断提供了一种新的方法。关键词：自适应特征尺度分解；局部特征尺度分解；经验模态分解；内禀致密尺度分量；故障诊断中图分类号：：／ＴＨ１６５；ＴＨ９１１．７ＤＯＩ１０．３９６９．ｉｓｓｎ．１００４－１３２Ｘ．２０１５．２３．０１２ｊＡｄａｔｉｖｅＣｈａｒａｃｔｅｒｉｓｔｉｃｓｃａｌｅＤｅｃｏｍｏｓｉｔｉｏｎＭｅｔｈｏｄａｎｄＩｔｓＡｌｉｃａｔｉｏｎｓ－ｐｐｐｐＷｕＺｈａｎｔａｏＣｈｅｎＪｕｎｓｈｅｎＹａｎＹｕｇｇｇ，ｋｅＬａｂｏｒａｔｏｒｏｆＡｄｖａｎｃｅｄＤｅｓｉｎａｎｄＭａｎｕｆａｃｔｕｒｅｆｏｒＶｅｈｉｃｌｅＢｏｄＳｔａｔｅｙｙｇｙ，，ＨｕｎａｎＵｎｉｖｅｒｓｉｔＣｈａｎｓｈａ４１００８２ｙｇ：，ＡｂｓｔｒａｃｔａｅｒＢａｓｅｄｏｎｔｈｅｒｅｓｅａｒｃｈｏｆＬＣＤｔｈｉｓｂｏｒｒｏｗｅｄｉｄｅａｓｆｒｏｍｔｈｅｓｉｆｔｉｎｂａｓｅｄｓｉｎａｌｐｐｇｇｍｅｔｈｏｄｓｓｕｃｈａｓＥＭＤａｎｄＬＣＤ，ａｎｄｔｈｅｎａｎｅｗｍｏｎｏ－ｃｏｍｏｎｅｎｔｓｉｎａｌｗｉｔｈｄｅｃｏｍｏｓｉｔｉｏｎｒｅｓｅｎｔｅｄｐｇｐｐ，，ｈｓｉｃａｌｌｒｏｂｌｅｍｍｅａｎｉｎｆｕｌｉｎｓｔａｎｔａｎｅｏｕｓｆｒｅｕｅｎｃｉｅｓｉ．ｅ．ＩＣＣ，ｆｏｒｒｅｓｔｒａｉｎｉｎｔｈｅｍｏｄｅｍｉｘｉｎｐｙｙｐｇｑｇｇ，ｏｆＬＣＤａｎｄｉｍｒｏｖｉｎｔｈｅｄｅｆｉｃｉｅｎｃｉｎｔｅｒｍｓｏｆｔｈｅｍｅａｎｃｕｒｖｅｄｅｆｉｎｉｔｉｏｎ．Ｆｉｎａｌｌａｎｅｗｓｉｎａｌｄｅｐｇｙｙｇ－，，ｒｏｏｓｅｄ．Ｍｅａｎｗｈｉｌｅｔｉｖｅｎ．ＩｎｃｏｍｏｓｉｔｉｏｎｍｅｔｈｏｄＡＣＤｗａｓｈｅｅｖａｌｕａｔｉｏｎｃｒｉｔｅｒｉｏｎｏｆＩＣＣｗａｓａｌｓｏｐｐｇｐ，ｔｈｅｓｉｆｔｉｎｆｏｒｓｅａｒａｔｉｎｃｅｒｔａｉｎｏｒｄｅｒｃｏｍｏｎｅｎｔｓａｓｅｔｏｆＩＣＣｓｗａｓｏｂｔａｉｎｅｄｂｕｓｉｎｄｉｆｒｏｃｅｄｕｒｅｇｐｇｐｙｇｐ－ｆｅｒｅｎｔｍｅａｎｃｕｒｖｅｓａｎｄｃｏｍａｃｔｃｏｅｆｆｉｃｉｅｎｔｓ．ＴｈｅｏｔｉｍａｌＩＣＣｆｏｒｔｈｉｓｏｒｄｅｒｓｉｆｔｉｎｗｏｕｌｄｂｅｓｅｌｅｃｔｅｄｐｐｇｕａｒａｎｔｅｅｄｔｈｅｃａｎｄｉｄａｔｅＩＣＣｓｕｓｉｎｔｈｅｅｖａｌｕａｔｉｏｎｃｒｉｔｅｒｉｏｎｏｆＩＣＣ，ｗｈｉｃｈＡＣＤｏｕｔｅｒｆｏｒｍｓｆｒｏｍｇｇｐＬＣＤ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｄｅｃｏｍｏｓｉｔｉｏｎｅｆｆｅｃｔｏｆＡＣＤｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆＥＭＤ，ｐＬＣＤ，ｅｎｓｅｍｂｌｅｅｍｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｏｓｉｔｉｏｎ（ＥＥＭＤ）ａｎｄａｕｔｏｎｏｍｏｕｓｃｏｍａｃｔｌｏｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃ－ｐｐｐ（），ｓｃａｌｅｄｅｃｏｍｏｓｉｔｉｏｎＡＣＬＣＤｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｔｈｅｅｘｅｒｉｍｅｎｔａｌｓｉｎａｌｓｓｈｏｗｉｔｓｖａｌｉｄｉｔ．ｐｐｐｇｙｒｏｖｉｄｅｄ．Ｔｈｕｓａｎｅｗｗａｆｏｒｆａｕｌｔｄｉａｎｏｓｉｓｏｆｒｏｔａｔｉｎｍａｃｈｉｎｅｒｉｓｐｙｇｇｙ：；Ｋｅｗｏｒｄｓａｄａｔｉｖｅｃｈａｒａｃｔｅｒｉｓｔｉｃ－ｓｃａｌｅｄｅｃｏｍｏｓｉｔｉｏｎ（ＡＣＤ）ｌｏｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃ－ｓｃａｌｅｄｅｃｏｍｏｙｐｐｐ－（；（；（；ｓｉｔｉｏｎＬＣＤ）ｅｍｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｏｓｉｔｉｏｎＥＭＤ）ｉｎｔｒｉｎｓｉｃｃｏｍａｃｔ－ｓｃａｌｅｃｏｍｏｎｅｎｔＩＣＣ）ｆａｕｌｔｄｉｐｐｐｐ－ａｎｏｓｉｓｇ

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

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。

总体局部特征尺度分解及ELM的滚动轴承故障诊断

量（ＩｎｔｒｉｎｓｉｃＳｅＭｅＣｏｍｐｏｎｅｎｔ，ＩＳＣ）；其次，根据分解后ＩＳＣ分量计算时域指标、能量、相对熵，利用特征评估法提取敏感特征；最后，将敏感特征向量输入极限学习机（ＥｘｔｒｅｍｅＬｅａｒｎｉｎｇＭａｃｈｉｎｅ，ＥＬＭ）进行训练与测试，从而识别滚动轴承的故障类型。对实验信号的分析表明，该方法能够有效的诊断出滚动轴承不同的工作状态，且效果较局部特征尺度分解方法好。
关键词：滚动轴承；故障诊断；极限学习机；总体局部特征尺度分解；特征评估法中图分类号：ＴＨｌ６文献标识码：Ａ文章编号：１００１ — ３９９７（２０１７）０２ — ０２２６ — ０５
ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＢａｌｌＢｅａｒｉｎｇＢａｓｅｄｏｎＥＬＣＤａｎｄＥＬＭ
机械设计与制造
２２６ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ
第２期２０１７年２月
总体局部特征尺度分解及ＥＬＭ的滚动轴承故障诊断
董素鸽，胡代弟，葛明涛
（郑州大学西亚斯国际学院电子工程系，河南郑州４５１１５０）

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ讲ｔｈｅｎｏｓｔｔｉａｏｎａｒｙｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆａｇｅａｒｆａｕｌｔｖｉｂｒｔａｉｏｎｓｉｇｎａ１．ｉｔｐｒｏｐｏｓｅｓａｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂｍｅｄｏｎ

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用_杨宇

式中 , 当 n 为偶数时 , J = n /2, 当 n 为奇数时 , J = (n + 1) /2。这样 , 通过 EMD 分解 , 滚动轴承振动信号 x ( t) 的特征就可以由初始特征向量矩阵 A 和 B 来刻画 , 对初始特征向量矩阵 A 和 B 进行奇异值分解 , 就可以提取滚动轴承振动信号的特征。本文提出的滚动轴承故障诊断方法流程图如图 3 所示。
n
(3) 式可得到 : x (t) = ∑ ci (t) + rn (t) i =1
(4 )
式中 , rn (t) 为残余函数 , 代表信号的平均趋势。而各 M F 分量 c1 (t), c2 (t)… cn (t) I 分别包含了信号从高到低不同频率段的成分 , 每一频率段所包含的频率成分都是不同的 , 且随信号本身的变化而变化。通常 , EMD 方法分解出来的前几个 I M F 分量集中了原信号中主要的信息 , 从这个角度上讲 , EMD 方法就是一种新的主成分分析方法。图 1 为滚动轴承外圈有缺陷时的时域加速度振动信号。图 2 为其 E M D 分解图 , 共有 22 个 I MF 分量 , 由于篇幅原因 , 此处只给出了前 10 个 I M F 分量。从图中可以看出 , EMD 把信号分解成了若干个 I MF 分量之和 , 不同的 I M F 分量包含了不同的时间尺度 , 可以使信号的特征在不同的分辨率下显示出来。从图 2 中还可以看出 , E M D 分解结果的前几个 I M F 分量包含了原始信号的主要信息。
DO I 牶牨牥牣牨牫牬牰牭牤 j牣 cnki 牣 jvs牣牪牥牥牭牣牥牪牣牥牥牬

基于LMD和AR模型的转子系统故障诊断方法

ＦａｔＤｉｇｏｉｐｒａｈｆｒＲｏｏｓｅｓｕｌａｎｓｓＡｐｏｃｏｔｒＳｙｔｍ
ＢａｅｎＬＭＤｎｄＡＲｏｅｓｄｏａＭｄｌ
ＹＡＮＧＹｕ，ＹＡＮＧｉｉｎＬ — ａｇ。ＣＨＥＮＧｕ — ｈｎｘＪｎｓｅｇ
ｆｔｔｙＬｂｒｔｒｆＡｄａｃｄＤｅｉｎａｄＭａｕａｔｒｏｈｃｅＢｄ。Ｈｕａｉ，ＣａｇｈＨｕａ４０８，ｉａＳａｅＫｅａｏａｏｙｏｖｎｅｓｎｎｆｃｕｅｆｒＶｅｉｌｏｙｇｎｎＵｎｖｈｎｓａ，ｎｎ１０２Ｃｈｎ）
ｓｏｈｔｂｈＥＭＤｎｈｗｎｔａｏｔａｄＬＭＤｅｈａｐｐｉｄｏｔｅｒｔｒｓｔｍａｔｄａｎｏｉｅｆｃｉｅｙｍｔｏｄｃｎｂｅａｌｅｔｈｏｏｙｓｅｆｕｌｉｇｓｓｆｅｔｖｌ．
文章编号：６４２７（０００ — ０４０１７ — ９４２１）９０２５
基于ＬＭＤ和ＡＲ模型的转子系统故障诊断：－ｈ法
杨宇，丽湘，军圣杨程
（湖南大学汽车车身先进设计制造国家重点实验室，南长沙湖４０８）１０２
ａｎｄＡＲｍｏｄｌｓｐｏｐｓｄｅｗａｒｏｅ．Ｆｉｓｌｒｔｙ，ｂｙｕｉＤｔｏｓｎｇＩＭｍｅｈｄ，ｔｅｖｂａｉｉａｆｒｏｙｔｍｓｗａ — ｈｉｒｔｏｎｓｇｎｌｏｏｔｒｓｓｅｓｄｅ

一种新的非平稳信号分析方法——局部特征尺度分解法

ＬＭＤ方法将一个单分量的调幅一频信号看成是其调本身的包络信号和一个纯调频信号的乘积，Ｐ即Ｆ
（ｒｄｃｕｃｉｎ简称Ｐ）量，Ｐｏｕｔｎｔ，ｆｏＦ分因此能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ＰＦ分量之和。ＭＤ方法虽然避免了ＥＬＭＤ方法中的过包络、欠包络以及由希尔伯特变换而产生的负频率等问题，Ｌ但ＭＤ本身也存在迭代计算量大、频率混淆、点效应等问题。２０端０６年，ｒｒｉＭａｋＧＦｅ提出了另外一种自适应时频分析方法 —— 本征时间尺度分解方法（ｎｒｓｉ —ｃｌｄｃｍｐｓｔｎ，Ｉｔｉｉｔｎｃｍｅｓａｅｅｏｏｉｏｉ
波基，乏自适应性Ｌ。缺２］１９９８年，国国家宇航局的ＮｏｄｎＥＨｕｎ美ｒｅａｇ
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（ｌｅｔａｇｔａｓｏｍ，称ＨｉｒＨｕｎｒｎｆｒ简ｂ — ＨＨＴ）州］［。该方法能自适应地将一个复杂信号分３
引言
经典的傅里叶变换方法只能处理线性和平稳信号，自然界中的大部分信号是非线性和非平稳的。而
Ｓｔｍｉｈ提出了另一种新的时频分析方法 —— 局部均值分解（ｏａｍｅｎｄｃｍｐｓｉｎ简称ＬＬｃｌａｅｏｏｉｏ，ｔＭＤ）１［，

一种基于FastText_的恶意代码家族分类方法

ｗｏｒｄ２ｖｅｃ模型将ＡＰＩ序列映射为词向量ꎮ
ｗｏｒｄ２ｖｅｃ首先生成词典ꎬ 再将此词典中的所有
ＡＰＩ函数映射为词向量ꎮ 所生成的词向量仅是样
本语义到向量的简单映射ꎬ局限于ＡＰＩ函数的顺
序特征且依赖词典ꎬ缺乏对词典外的ＡＰＩ函数表
征能力ꎮ 恶意代码随着混淆技术的发展ꎬ执行程
９８％ ꎮ 王栋等
[９]
基于ＶＧＧ模型构建了一维卷积
分类网络模型ＩＤ￣ＣＮＮ￣ＩＭＩＲꎬ相较于其他深度学
习模型具有更好的性能ꎬ准确率可达９８９４％ ꎮ 静
态分析的缺点是容易受到混淆的影响ꎬ可直接分
析原始程序代码的语法和语义ꎬ进而提取到更深
层次的特征ꎮ
在针对ＡＰＩ序列的静态检测中ꎬ 常用
指具有相似功能、相同来源和不同演进程度的恶
意代码集合
[２]
ꎬ其分类研究可以视为对不同恶意
在恶意代码家族分类中ꎬ受文献[１０] 启发ꎬ本
文对收集的ＡＰＩ数据进行向量化ꎮ 由于卷积神经
代码的相似性、关联性判断ꎬ有助于研究人员发现
网络( ＣＮＮ) 和长短时记忆( ＬＳＴＭ) 网络在特征提
同类型的变异代码并快速了解恶意代码感染策
ｐｒｏｐｏｓｅｄ. ＴｈｅＦａｓｔＴｅｘｔｆｒａｍｅｗｏｒｋｉｓｕｔｉｌｉｚｅｄｔｏａｃｈｉｅｖｅｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌｖｅｃｔｏｒｔｒａｎｓｆｏｒｍａｔｉｏｎａｎｄ
ｐｒｅｃｉｓｅｅｘｐｒｅｓｓｉｏｎｏｆｃｏｄｅｓａｍｐｌｅＡＰＩｓｅｑｕｅｎｃｅｓꎬａｎｄｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｎｄｌｏｎｇｓｈｏｒｔ

基于三次Hermite插值的局部特征尺度分解方法

收稿日期：2015－03－30 作者简介：李军（1984－），男，硕士研究生。
E-mail: pansea1989@ 通讯作者：潘孟春（1963－），男，教授。
析有窗口 Fourier 变换、Wigner-Wille 分布和小波变换，但上述方法都存在一定的缺陷，如窗口 Fourier 变换具有一定的时频窗口，Wigner-Wille 分布有交叉项的干扰，而小波变换也需要小波基的选择，缺乏自适应。 [1] 因此，传统的信号分析方法在应用方面具有很大的局限性。
Abstract : Since linear transformation is used to obtain baseline signal in intrinsic time scale decomposition (ITD) method, burr and instantaneous frequency distortion will appear in the decomposition results. Therefore, a rational Cubic Hermite interpolation—Local characteristic- scale decomposition (CHLCD) method is presented. In this method, any complex signal can be adaptively decomposed into a sum of several independent rational intrinsic scale components (ISCs), whose instantaneous frequencies have obvious physical meanings. Firstly, the principle of the CHLCD method was analyzed. Then, the detailed steps of CHLCD of signal were given. Finally, a simulation signal was adopted to verify the CHLCD method. Experimental results show that the CHLCD method can effectively decompose signals.

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

只是针对两类问题，对于多类问题需要通过建立多
级分类器将其转化为多个两类问题来处理，而采用不同的分类器结构（如一对一、一对多、有向无环图和二叉树结构等）也会对ＳＶＭ的分类性能有所影
工
类问题且需优化的参数只有核参数。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，而
程Ｅ叫
学
且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时，与支持向量机（Ｓｕｐｐｏｒｔｖｅｃ～
ｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）算法的对比分析结果表明，ＫＮＮＣＨ算法的分类性能的稳定性要高于ＳＶＭ算法。
关键词：滚动轴承；故障诊断；局部特征尺度分解；核最近邻凸包分类算法；奇异值分解
响ｌ＿３］。另外，ＳＶＭ的分类性能还受核参数以及惩罚系数的影响，需要优化的参数较多。针对这些问题，
种新的自适应时频分析方法＿６］。该方法采用ＩＴＤ
中基线信号的构造方法，即以原始信号任意两个相邻的极值点为跨度对信号进行分段线性变换来构造
摘要：提出了一种基于局部特征尺度分解（Ｌｏｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃ — ｓｃａｌｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＬＣＤ）和核最近邻凸包（Ｋｅｒｎｅｌ

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

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

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.。

2015年湖南省优秀硕士学位论文名单

口腔鳞状细胞癌癌相关成纤维细胞中FAK 表达及其生物学行为的初 100302 口腔临床医学步研究长沙市H1N1流感大流行防控措施的动力学模型研究乳腺癌靶向长春瑞滨纳米粒构建及体外评价 100400 公共卫生与预防医学 100702 药剂学
COX-2,ABO和NR3C2基因多态性对依那普利咳嗽不良反应及疗效的影 100706 药理学响 6
作者姓名邓金张砚王俏韩知秋彭星张海马志丽郭静楠刘卫周江李娟萍陈兰张锡霖章运生谢敏敏赵应香谭力鹏李维逸彭艳张庆飞肖文甲
论文名称
学科代码及名称
导师姓名周平胡军华许民利王坚强李斌杨招军黄桂芳赵敬哲王青聂舟李继山蔡青云刘承斌李丹赵小英何晓晓张屹经济法 030301 社会学 030301 社会学 070200 物理学 070302 分析化学 070305 高分子化学与物理 071000 生物学 071010 生物化学与分子生物学 080200 机械工程 080200 机械工程 080501 材料物理与化学 080502 材料学 080503 材料加工工程 080601 冶金物理化学 080603 有色金属冶金 080621 材料冶金 080703 动力机械及工程 080800 电气工程 080900 电子科学与技术 081000 信息与通信工程 081100 控制科学与工程
论文名称基于电子地图的GPS/INS组合导航技术与算法研究蛋白质网络的聚类分析方法及评估节理岩体力学特征及隧道施工力学行为研究高速列车荷载作用下交叉隧道动力响应特性及影响分区研究联合地基GPS及空基COSMIC的对流层水汽三维层析节理岩体采动损伤演化及破坏规律研究中深孔爆破块度控制及测定方法研究羟肟酸类捕收剂与细粒锡石的作用机理及浮选研究视网膜血管增强方法研究张量分解在大数据分析中的应用研究

基于分段多项式的局部特征尺度分解方法及应用

正交性、精确性等具有一定优越性；由转子碰摩故障诊断表明该方法的有效性。
关键词：局部特征尺度分解；分段多项式；故障诊断；转子；内禀尺度分量
中图分类号：ＴＨ１６５＋．３；ＴＨ９１１．７文献标志码：Ａ
ＤＯＩ：１０．１３４６５／ｊ．ｃｎｋｉ．ｊＶＳ．２０１６．０４．０３７
２．ＭｏｄｅｒｎＥｎｇｉｎｅｅｒｉｎｇＴｒａｉｎｉｎｇＣｅｎｔｅｒ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｍａｇｓｈａ４１００８２，Ｃｈｉｎａ；
３．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｍａ’ａｎｓｈａｎ２４３００２，Ｃｈｉｎａ）
ｉｓｄｉｓｃｏｎｔｉｎｕｏｕｓ，ｔｈｅｒｅｂｙｔｈｅｄｅｃｏｍｐｏｓｉｔｉｏｎｐｒｅｃｉｓｉｏｎｉｓｌｏｗｅｒｅｄ．ＰｉｅｃｅｗｉｓｅｐｏｌｙｎｏｍｉａｌｗａｓｕｓｅｄｉｎＰＰＬＣＤｔｏｒｅｐｌａｃｅｌｉｎｅｃｏｎｎｅｃｔｉｏｎｉｎＬＣＤ，ａｎｄｔｈｅｉｎｔｅｒｐｏｌａｔｉｏｎｐｏｉｎｔｓｏｎｔｈｅｍｅａｎｃｕｒｖｅｗｅｒｅｃｏｍｐｕｔｅｄｂｙｔｈｅｐｏｌｙｎｏｍｉａｌｗｈｉｃｈｗａｓｇｅｎｅｒａｔｅｄ
第３５卷第４期
振动与冲击
ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨ０ＣＫ
ＶｏＪ．３５Ｎｏ．４２０１６
基于分段多项式的局部特征尺度分解方法及应用
吴占涛，程军圣，曾鸣，郑近德
（１．湖南大学汽车车身先进设计制造国家重点实验室，长沙４１００８２；２．湖南大学现代工程训练中心，长沙３．安徽工业大学机械工程学院，安徽马鞍山２４３００２）

一种局部特征尺度分解局部均值点求取方法

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。

局部特征尺度分解方法在机械振动中的应用

＋
丁ｉ＋２一丁
（ｔ）：＝ ∑／／ＳＣ（￡）（￡Ｊ… … … … ．Ｊ……………… ．（（５）
２ＬＣＤ方法的改进
上述方法采用线性变换所得到的基线信号不够
（
ｊ） … … …… ……
（１）
光滑，而采用三次样条插值虽会使基线信号具有很好的光滑性，但由于被插值函数序列的导数只在边
／
其中的ｔ ∈（ｒ＿ ’ 丁ｉ＋。）。
将各段依次连接起来得到基线信号。（３）把日从原信号中分离出来，得到剩余信
ｌ。
（３）依次连接日ｋ得到基线信号日。。
将求出的日代替原ＬＣＤ中用线性变换得到的
＋１．７ｓｉｎ（５．５７ｒｔ）ｓｉｎ（６０７ｒｔ） … … …… （６）
（４）如果ｈ（ｔ）满足／ＳＣ分量条件，则／ＳＣ就等于ｈ，（ｔ）；否则，把ｈ。（ｔ）作为新的原始信号，重复上面两个步骤，直到ｈ（ｔ）满足／ＳＣ分量的条件为止，此时ｈｌｋ【）即为第一个／ＳＣ分量。／ＳＣ分量应满足以下条件： ①在整个数据范围内，相邻极值点的符号互异。这一条件可保证极值点之间的单调性，使得数据序列具有单一的模态。
信号再重复以上步骤，直到剩余量为一单调函数为
止。
最后，原时间序列被分解为Ｔｔ个／ＳＣ分量与一
个残余量肛（￡）之和，即

基于局部特征尺度分解的汽轮机故障诊断研究

笔者针对实际问题袁提出一种基于局部特征尺度分解特征提取 LCD 和极限学习机渊 Extreme Learning Machine袁 ELM冤作为分类器的故障诊断方
法袁在汽轮机实际运行中进行故障诊断遥同时与 RBF 神经网络袁 BP 人工神经网络和支持向量机的诊断结果进行了比较袁结果表明袁 ELM 作为分类器能准确地对汽轮机的故障进行诊断遥 1 局部特征尺度分解特征提取 1.1 经验模态分解渊EMD冤
经验模式分解法渊Empiri-cal Mode Decomposi原 tion袁 EMD冤可根据振动信号自身的时间特征尺度进行自适应分解袁将轴承振动信号的状态信息分解到不同的内蕴模式分量渊Intrinsic Mode Function袁 IMF冤中袁从而为轴承状态深层次的挖掘奠定了基础遥 EMD 最主要问题是模式混淆问题袁它可使各 IMF 分量不能反映信号的真实内涵[4]遥 1.2 小波包变换
领域袁但传统的神经网络袁如 BP 神经网络由于采
用梯度下降网络学习算法而存在收敛速度慢袁易陷
入局部最优等问题遥又如径向基神经网络渊RBF冤
是一种前向神经网络袁其结构与多层前向网络的结
构相似袁它能将一切问题的特征都变为数字袁最终
结果会丢失信息[7]遥再由 Vapnik 提出的支持向量机
小波包分解不仅对低频部分进行分解袁也可对高频部分实施分解袁而且小波包分解能根据信号特性和分析要求选择相应频带与信号频谱相匹配袁是一种比小波分解更为精细的分解方法[5]遥 1.3 局部特征尺度分解算法
LCD 是在本征时间尺度分解法的基础上提出的袁本征时间尺度分解法的平均曲线是基于信号本身的线性变换袁它明确了信号分量的波形失真遥

基于局部特征尺度分解法的声反馈抑制算法

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

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。