项目名称: 局部波动特征分解(LOD)方法及其在机械故障诊断中的应用研究

项目编号: No.51305046

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 机械、仪表工业

项目作者: 张亢

作者单位: 长沙理工大学

项目金额: 25万元

中文摘要: 提出了一种新的自适应时频分析方法- - 局部波动特征分解(Local oscillatory-characteristic decomposition,LOD)方法,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-oscillation component,MOC)。每一个MOC分量都代表了原始信号的一种波动特征,从而能反映原信号的本质特征,所以LOD方法特别适合处理具有非平稳和非线性特性的机械故障振动信号。然而,LOD方法还有理论问题需要研究与完善,因此,本项目拟对LOD方法的若干理论问题进行研究与完善,并对该方法在机械故障特征提取中的应用进行研究,研究解决用LOD方法提取滚动轴承、齿轮和转子系统各类振动信号故障特征问题,在此基础上建立一套基于LOD的机械故障诊断方法。

中文关键词: 局部波动特征分解;非平稳信号处理;自适应时频分析;机械故障诊断;故障特征

英文摘要: A new self-adaptive time-frequency analysis method named local oscillatory-characteristic decomposition (LOD) is proposed. This method is based on local oscillatory characteristics of signal itself, and it uses the operations including differential, coordinates domain transform and piecewise linear transform to decompose the signal into a series of mono-oscillation components (MOC) which instantaneous frequency has the physical meanings. Each of MOC represents a oscillatory characteristics of original signal, and thus reflects the intrinsic characteristics of original signal, so the LOD method is especially suitable for processing the mechanical fault vibration signals which have the characteristics of non-stationary and nonlinearity. Nevertheless, the LOD method has some theoretical problems need to study and perfect, therefore, this project intends to study and perfect some theoretical problems of the LOD method, and studies the application of this method in machinery fault characteristics extraction, thus solves the problem of extracting the fault characteristics from vibration signals of rolling bearing, gear and rotor system by LOD method, and based on this, a machinery fault diagnosis method based on LOD will be established.

英文关键词: local oscillatory-characteristic decomposition;non-stationary signal processing;adaptive time-frequency analysis;mechanical fault diagnosis;fault characteristic

成为VIP会员查看完整内容
0

相关内容

CVPR 2022 Oral | 基于熵筛选的半监督三维旋转回归
专知会员服务
17+阅读 · 2022年4月18日
【AAAI2022】基于渐进式增强学习的人脸伪造图像检测
专知会员服务
21+阅读 · 2022年1月19日
【AAAI2022】基于属性的渐进融合网络的RGBT跟踪
专知会员服务
20+阅读 · 2022年1月8日
专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
76+阅读 · 2021年3月16日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
AAAI 2022 | 条件局部图卷积网络用以气象预测
PaperWeekly
0+阅读 · 2022年3月5日
【PHM算法】PHM算法 | 故障诊断建模方法
产业智能官
66+阅读 · 2020年3月16日
论文盘点:CVPR 2019 - 文本检测专题
PaperWeekly
14+阅读 · 2019年5月31日
人工智能在设备状态评价和故障诊断中的应用
NE电气
23+阅读 · 2018年11月17日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
一文看懂常用特征工程方法
AI研习社
17+阅读 · 2018年5月2日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Synthesizing Informative Training Samples with GAN
Arxiv
0+阅读 · 2022年4月15日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
Arxiv
12+阅读 · 2018年1月12日
小贴士
相关VIP内容
CVPR 2022 Oral | 基于熵筛选的半监督三维旋转回归
专知会员服务
17+阅读 · 2022年4月18日
【AAAI2022】基于渐进式增强学习的人脸伪造图像检测
专知会员服务
21+阅读 · 2022年1月19日
【AAAI2022】基于属性的渐进融合网络的RGBT跟踪
专知会员服务
20+阅读 · 2022年1月8日
专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
44+阅读 · 2021年5月24日
专知会员服务
76+阅读 · 2021年3月16日
【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员