EMD算法所存在的端点效应及模态混叠问题会导致故障轴承特征值提取时精度不高等问题。为提高故障诊断系统的准确性,文中选用一种基于EMD的改进算法EEMD,通过提取时域特征参数,衡量故障诊断程度,判断故障类型。运用SOM神经网络进行诊断识别。文中在进行实际实验分析的基础上,总结了实验平台的框架、典型的故障轴承类型,分析了选用的特征参数对故障诊断的不同判别方向,并提出基于集合经验模态与SOM神经网络的轴承故障诊断方法。

针对SOM网络（自组织特征映射神经网络）可视化方法简单、直观的特点，文中将其应用到液压系统的故障分类中。以电流信号的频域能量作为特征参数，用db2共轭正交滤波器组对所获数据进行小波包分解，提取系统在正常及故障运行状态下的特征向量，作为训练样本，然后利用U矩阵图和D矩阵图等可视化T具对分类结果进行仿真与分析，并与一般结果进行比较。结论表明，该方法可行且对故障的判别率高。

针对液压泵故障诊断问题，提出了一种基于局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LcD分解，得到若干个内禀尺度分量（Intrin-sic Scale Component，ISC）；将Isc分量分别与原信号进行相关分析，筛选出包含主要故障信息的前几个Isc分量，计算其模糊熵并组成特征矩阵；将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明，该方法能够准确识别液压泵典型故障，具有一定优势。通过与BP神经网络分类结果相对比，显示了SOM神经网络在特征分类方面的优越性。