基于LMD和Wigner高阶矩谱的机械故障诊断新方法

本文主要探讨了一种结合局域均值分解(Local Mean Decomposition, LMD)技术和Wigner高阶矩谱的新型机械故障诊断方法。LMD方法由S.S. Jonathan发展而来，是一种有效的时频分析工具，通过分离多分量信号中的纯调频信号和包络信号，实现对非平稳信号的自适应处理。Wigner高阶矩谱作为一种新的高阶谱分析手段，相较于传统的谱分析，提供了更丰富的时频特性，但同时也面临着交叉项干扰的问题。 作者提出的新方法利用LMD的优势，有效地抑制了Wigner高阶矩谱中的交叉项干扰。这种方法保留了LMD的自适应性和Wigner高阶矩谱的优越性，从而提高了信号处理的精度和可靠性。通过仿真研究，作者发现新方法相较于直接使用Wigner高阶矩谱和经过Choi-Williams核滤波后的Wigner高阶矩谱表现更优。 实验结果通过轴承故障诊断的实际应用得到了验证，显示出该方法在实际机械故障识别中的有效性。关键词包括局域均值分解、Wigner高阶矩谱、故障诊断、时频分析以及滚动轴承，这些关键词突出了研究的核心内容和技术背景。这项研究不仅推动了机械故障诊断领域的技术进步，也为解决信号处理中的交叉项干扰问题提供了一种创新且实用的解决方案。