精华内容
下载资源
问答
  • 局部均值分解算法,用于多分量信号的自适应分解,用于脑电信号处理、故障诊断等方面。局部均值分解算法,用于多分量信号的自适应分解,用于脑电信号处理、故障诊断等方面。 (LMD method)局部均值分解算法,用于多...
  • 局部均值分解论文

    2015-09-05 11:28:31
    本论文对局部均值分解的概念,分解过程,以及收敛条件都做了详细介绍,对研究局部均值分解的初学者大有裨益
  • 局部均值分解(local mean decomposition , LMD)方法,含有完整的可运行的Matlab程序和.mat测试数据等。
  • 局部均值分解——LMD

    2019-05-29 19:37:30
    局部均值分解LMD的MATLAB程序,采用滑动平均来平滑均值,可运行。
  • 局部均值分解方法

    2015-05-06 19:22:31
    局部均值分解方法及其在旋转机械故障诊断中非应用研究
  • 基于局部均值分解的滚动轴承故障诊断自适应分析方法
  • 基于局部均值分解的机械故障诊断,机械故障模式识别,最近才能下载到的文献。
  • 基于局部均值分解和共轭梯度算法的欠定混合物盲分离
  • EMD的改进方法的代码,局部均值分解(Local Mean Decomposition)算法MATLAB代码.
  • 基于局部均值分解和AMUSE算法的欠定模型中盲源分离
  • 基于Chirp-Z变换和局部均值分解的齿轮故障诊断分析方法
  • 局部均值分解算法,用于多分量信号的自适应分解,用于脑电信号处理、故障诊断等方面。局部均值分解算法,用于多分量信号的自适应分解,用于脑电信号处理、故障诊断等方面。 (LMD method)局部均值分解算法,用于多...
  • 提出了基于局部均值分解(LMD)的同步电机参数辨识方法。采用LMD从短路电流中提取直流电流和基波电流,然后分别采用稳健回归最小二乘和Prony算法对直流电流和基波电流进行辨识,进而获得同步电机参数。以理想突然...
  • 局部均值分解的MATLAB代码,可以给定函数,可以用实测数据,亲测可用
  • 一篇介绍局部均值分解和经验模式分解的论文
  • 局部均值分解算法(LMD), LMD算法最大的特点就在依据信号本身的特征对信号的自适应分解能力,产生具有真实物理意义的乘积函数(PF)分量(每个PF分量都是一个纯调频信号和包络信号的乘积,且每个PF分量的瞬时频率...

                                                LMD学习笔记

    • 总述

    局部均值分解算法(LMD), LMD算法最大的特点就在依据信号本身的特征对信号的自适应分解能力,产生具有真实物理意义的乘积函数(PF)分量(每个PF分量都是一个纯调频信号和包络信号的乘积,且每个PF分量的瞬时频率具有实际物理意义。),并由此得到能够清晰准确反映出信号能量在空间各尺度上分布规律的时频分布,有利于更加细致的对信号特征进行分析。

    与此同时,局部均值分解算法(LMD)相较于模态分解的创始算法经验模态分解算法(EMD)而言,其具备端点效应小、迭代次数少等优势。

    • 分解方法
    1. 求局部均值函数m11(t)

    找出原函数的局部均值ni,

    求出所有相邻的局部极值点的平均值:

    将所有的相邻平均值点mi用直线连起来后通过滑动平均法进行平 滑处理得到局部均值函数m11(t)。

    2、求包络估计函数a11(t)

    求出包络估计值:                将所有相邻两个包络估计值ai用直线连起来后通过滑动平均法进行平滑处理得到包络估计函数a11(t)。

    **其余步骤在笔记本上**

    • EMD与LMD的对比分析
    1. 求解过程EMD与LMD的差别
    1. 平均包络函数的产生

    EMD:三次样条函数拟合局部极大与极小值形成的上下包络线,然后对上下包络线求平均得到平均包络函数

    LMD:不断平滑相邻局部极值点的平均值来获得平均包络函数(局部均值函数)

    1. 模态分量迭代过程不同

    EMD:不断用原始信号减去平均包络函数(即去掉低频成分),然后判断剩余信号是否满足模态的两个条件的方式得到模态分量的。

    LMD:不断用原始信号减去局部均值函数并除以包络估计函数(即对其进行解调),并重复直到包络估计函数近似等于1时,得到纯调频信号,在获得纯调频信号后再进行包络信号与纯调频信号相乘得到PF分量。

    1. 求瞬时幅值与瞬时频率

    EMD:对每个模态进行Hibert变化后,再通过一下公式

     

     

     

     

       求出瞬时幅值与瞬时频率。

    LMD:将迭代产生的每个包络估计函数相乘来求得瞬时赋值,而瞬时频率则是由纯调频信号通过

     

     

     

    1. EMD的缺陷

    模态混叠和端点效应

    1. 对比EMD,LMD突出的优势

    在抑制端点效应、减少迭代次数和保留信号完整性都优于EMD

    1. LMD不足

    依然存在端点效应、平滑次数较多时,信号会发生提前或滞后现象、在平滑时步长不能最优确定、无快速算法等问题

    注:端点效应的产生:EMD和LMD都是对局部极值进行操作,而两端点有可能既不是极大值点也不是极小值点,二者都未对端点进行处理。

     

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 为有效监测刀具磨损状态,提出一种基于局部均值分解的刀具故障诊断方法。将声发射信号自适应地分解为一系列乘积函数,选取包含主要故障信息的前8个乘积函数分量,获得每个乘积函数分量的平均能量,并组成特征向量。...
  • 使用MATLAB实现的局部均值分解(LMD, Local Mean Decomposition)代码。大量使用了matlab内建函数,尽可能地精简了代码,仅100余行的代码量很方便阅读修改。并且可以根据输入数据的格式自适应地调整计算、绘图时的...
  • 提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声, 提取振动信号的相关信息, 再进行SFF以得到具有准确描述能力的特征向量, 最后采用概率神经网络(PNN)算法进行学习...
  • 局部均值分解(LMD)是在经验模态分解(EMD)的基础上提出的一种新的自适应时频分析方法,在故障诊断领域展现出较好的应用前景。改进了LMD算法,提高LMD计算速度,并利用仿真信号研究了LMD算法的特性,验证了LMD处理多...
  • 局部均值分解(matlab实现有注释)

    千次阅读 多人点赞 2020-07-02 12:21:39
    局部均值分解(local mean decomposition , LMD)方法同经验模态分解方法(EMD)一样,也是一种自适应信号处理方法。LMD通过改变信号分解过程能有效改进EMD方法存在的包络拟合不准确、边界处发散等问题. 代码如下...

           局部均值分解(local mean decomposition , LMD)方法同经验模态分解方法(EMD)一样,也是一种自适应信号处理方法。LMD通过改变信号分解过程能有效改进EMD方法存在的包络拟合不准确、边界处发散等问题.

          代码如下:

    clear all;
    clc;
    % 这里是仿真信号,可改成自己的信号
    fs=2000;
    N=2048;
    n=0:N-1;
    t=n/fs;
    x=(1+0.5*t).*sin(2*pi.*20*t)+2*cos(2*pi.*3*t);
    %绘制仿真信号和其频谱图
    figure(1)
    subplot(211)
    plot(t,x)
    subplot(212)
    y2=x;
    L=length(y2);
    NFFT = 2^nextpow2(L);
    Y = fft(y2,NFFT)/L;
    f = fs/2*linspace(0,1,NFFT/2);
    plot(f,2*abs(Y(1:NFFT/2)))
    % 局域均值分析
    x=x';
    c = x';
    N = length(x);
    
    A = ones(1,N);
    PF = [];
    aii = 2*A;
    
    while(1)
    
      si = c;
      a = 1;
      
       while(1)
        h = si;
        
          maxVec = [];
          minVec = [];
          
       % 寻找极大值点和极小值点
          for i = 2: N - 1
             if h (i - 1) < h (i) & h (i) > h (i + 1)
                maxVec = [maxVec i]; 		
             end
             if h (i - 1) > h (i) & h (i) < h (i + 1)
                minVec = [minVec i]; 		
             end         
          end
          
       % 检查是否有残余
          if (length (maxVec) + length (minVec)) < 2
             break;
          end
               
      % 原始信号中的两边两个点的判断 
          lenmax=length(maxVec);
          lenmin=length(minVec);
          %先是左边这个点
          if h(1)>0
              if(maxVec(1)<minVec(1))
                  yleft_max=h(maxVec(1));
                  yleft_min=-h(1);
              else
                  yleft_max=h(1);
                  yleft_min=h(minVec(1));
              end
          else
              if (maxVec(1)<minVec(1))
                  yleft_max=h(maxVec(1));
                  yleft_min=h(1);
              else
                  yleft_max=-h(1);
                  yleft_min=h(minVec(1));
              end
          end
          %然后判断右边这个点
          if h(N)>0
              if(maxVec(lenmax)<minVec(lenmin))
                 yright_max=h(N);
                 yright_min=h(minVec(lenmin));
              else
                  yright_max=h(maxVec(lenmax));
                  yright_min=-h(N);
              end
          else
              if(maxVec(lenmax)<minVec(lenmin))
                  yright_max=-h(N);
                  yright_min=h(minVec(lenmin));
              else
                  yright_max=h(maxVec(lenmax));
                  yright_min=h(N);
              end
          end
          %使用三次样条插值方法,对极大值向量和极小值向量进行插值
          %spline interpolate
          maxEnv=spline([1 maxVec N],[yleft_max h(maxVec) yright_max],1:N);
          minEnv=spline([1 minVec N],[yleft_min h(minVec) yright_min],1:N);
          
        mm = (maxEnv + minEnv)/2;%得到局部均值函数
        aa = abs(maxEnv - minEnv)/2;%得到包络函数
        
        mmm = mm;
        aaa = aa;
    
        preh = h;
        h = h-mmm;%从原始信号中分离处局部均值函数
        si = h./aaa;%对分离出的信号进行解调
        a = a.*aaa;    
        
    aii = aaa;
    
        B = length(aii);
        C = ones(1,B);
        bb = norm(aii-C);%返回aii-C的最大奇异值,aii就是那个包络函数
        if(bb < 1000)%如果bb<1000,就得到了纯调频函数
            break;
        end     
        
       end %分解1个Pf分量在这结束
       
      pf = a.*si;%包络函数和纯调频函数相乘,得到PF分量
      
      PF = [PF; pf];
      
      bbb = length (maxVec) + length (minVec);
     % 简单的一个结束分解的条件
          if (length (maxVec) + length (minVec)) < 20
             break;
          end
               
      c = c-pf;
    
    end
    m=x'-PF(1,:)-PF(2,:);%如果分解出2个,从原始信号中减去,得到残余分量
    
    figure(2);
    subplot(4,1,1),plot(n,x),ylabel('X(t)');
    subplot(4,1,2),plot(n,PF(1,:)),ylabel('PF_1(t)');
    subplot(4,1,3),plot(n,PF(2,:)),ylabel('PF_2(t)');
    subplot(4,1,4),plot(n,m),ylabel('u(t)');
    
    xlabel('Time / S'); 

    最后分解出来的图:

     

    展开全文
  • 提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应...
  • 局部均值分解LMD(Local Mean Decomposition)法应用于电能质量扰动检测,选取电力系统中典型间谐波扰动信号、短时谐波信号、暂态谐波信号、时变谐波信号和变压器中的实际多频谐波信号,应用LMD对其进行分析。...
  • 针对滚动轴承振动信号通常具有非线性与低信噪比特点,提出基于局部均值分解(Local Mean Decomposition,LMD)与形态学分形维数的滚动轴承故障诊断方法。采用LMD将滚动轴承振动信号分解为若干个乘积函数(Product ...
  • 局部均值分解

    2014-06-23 20:22:26
    EMD用于非平稳信号存在很多问题,例如负频率问题,LMD是对EMD的改进,使经验模态分解具有物理意义,是对非平稳信号分析的又一次提高
  • 针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,CBSR)降噪和局部均值分解(Local Mean Decomposition,LMD)齿轮故障的诊断方法。随机共振可有效削弱...
  • 一种自适应时频分析方法,目前文章很少,仅供大家了解一下。
  • lmd局域均值分解

    2018-11-12 22:12:46
    局部均值分解的MATLAB代码,里面有2种程序,是按照LMD定义写出的。亲测可用。
  • 很简单的局部均值分解代码,可能不够完善,需要修改能够使用

空空如也

空空如也

1 2 3 4 5 6
收藏数 112
精华内容 44
关键字:

局部均值分解