LMD与AR模型在转子故障诊断中的应用

“基于LMD和AR模型的转子系统故障诊断方法 (2010年)”是一篇2010年发表在《湖南大学学报（自然科学版）》上的研究论文，作者是杨宇等。文章主要介绍了利用局部均值分解（LMD）和自回归（AR）模型相结合的方法来诊断转子系统的故障。 正文： 这篇论文提出了一种创新的故障诊断技术，用于分析和识别转子系统的异常情况。转子系统在各种机械设备中起着关键作用，其健康状况直接影响设备的整体性能和寿命。传统的故障诊断方法可能无法有效地处理复杂的非线性振动信号。为了解决这一问题，作者引入了LMD方法，这是一种时频分析技术，能够将非平稳信号分解为多个瞬时频率具有物理意义的PF分量。 LMD方法的优势在于它能够更精确地捕捉信号中的局部特性，相比其他的信号分解方法如经验模态分解（EMD），LMD产生的数据残差更小，这意味着它在处理噪声和细节信息时有更好的表现。论文中提到，将LMD分解得到的每个PF分量与AR模型相结合，可以进一步分析这些分量的动态行为。AR模型是一种统计模型，用于预测时间序列数据，通过建立PF分量的AR模型，可以提取出模型参数和残差方差，这些特征可以作为故障识别的关键指标。 接着，论文采用神经网络作为分类器，输入上述提取的特征向量，以区分不同工作状态和故障类型。通过与EMD方法的比较，研究发现两者在转子系统故障诊断上都有良好的应用效果，但LMD方法由于其更精确的信号分解能力，可能提供更为可靠的诊断结果。 关键词涉及到转子系统、LMD方法、AR模型和故障诊断，表明这篇论文的核心研究集中在利用先进的信号处理技术和统计模型来提升转子系统故障检测的准确性和效率。中图分类号TH115和文献标识码A则表明这是一篇工程技术领域的学术论文，具有较高的科研价值。 这篇2010年的研究为转子系统故障诊断提供了一种新的思路，将LMD和AR模型结合，提升了诊断的精度，并通过实证分析证明了这种方法的有效性。这对于机械设备的维护、预防性维修以及整个工业自动化领域都具有重要的理论和实践意义。