LMDEMD故障诊断分析：一种新型时频分析方法

"故障诊断分析基于LMD+EMD的方法及其研究" 本文主要探讨了两种时频分析方法在故障诊断中的应用——经验模态分解（Empirical Mode Decomposition，简称EMD）和局域均值分解（Local Mean Decomposition，简称LMD）。这两种方法在机械系统特别是旋转机械的故障诊断中具有重要价值，因为它们能够有效处理非平稳信号。 EMD是一种自适应的数据驱动方法，它将复杂信号分解为一系列简化的内在模态函数（Intrinsic Mode Function，IMF）。这种方法能够揭示信号的时间尺度变化，从而提供关于信号局部特征的信息。然而，EMD在处理过程中可能会出现负频率问题，这在物理上是不合理的。 相比之下，LMD方法针对EMD的不足进行了改进。LMD将复杂的多分量信号分解为若干个局部具有物理意义的乘积函数（Production Function, PF），并确保其局部平均函数和包络线都能通过平滑处理得到，避免了EMD中的过包络和欠包络现象。这种方法对于频率在时间和幅度上都具有变化的故障信号分析更为精确。 文章通过对比分析了使用LMD和EMD对两类常见旋转机械故障信号的处理结果，发现LMD在处理非平稳且频率波动大的故障信号时，表现出了更好的性能和准确性。这一研究表明，LMD可能成为故障诊断领域的一种更优选择，特别是在面对频率快速变化的故障特征时。 关键词涉及的经验模态分解（EMD）和局域均值分解（LMD）是故障诊断中的核心技术，瞬时频率的概念是理解这两种方法的关键，平滑处理则是在实际应用中优化分析过程的重要手段。 中图分类号TH113.1表明该文属于机械工程领域，文献标识码A表示这是一篇学术研究论文。文章编号1007-4414(2012)05-0156-03提供了具体的出版和引用信息。这些信息为读者提供了深入研究和参考该主题的路径。