针对扭力冲击钻滚动轴承易多发故障问题提出了一种改进支持向量机的故障特征提取方法,并结合多维时态关联规则来判断轴承是否出现故障。主要借助抽样算法来形成向量集合,并且在此基础上提升识别效率,找到异常信号,并且对其来源进行判定,通过多维时态关联规则找出异常信号与故障类别之间的关系。通过不平衡转子动力学模型与搭建实验平台试验验证关联规则的准确性和可靠性,再根据各信号的实时状态通过已建立的时态关联规则实时预测下一时间段的信号状态,从而达到实时预测的目的。实验表明,本故障诊断预测方法有效,能够识别和预测滚动轴承的90%的故障。

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解(Improved Symplectic Geometry Modal Decomposition,ISGMD)滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量(Cluster Symplectic Geometry Component,CSGC)并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性。结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征。

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解(VMD)和分数阶希尔伯特变换(FHT)的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果。

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明:这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性，提出一种谱峭度和Void—kalman阶比跟踪（Void．kalman Filter Based Order Tracking．VKF—OT）相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率。获得随转速变化的阶比信号，通过阶比信号复包络直接求两种频率分量的幅值、相位，经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度，以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征。最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述，运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。

鉴于目前主流齿轮裂纹故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑输入对于故障特征提取的作用),并考虑到其作为一种典型非线性系统所蕴含的动态特性,将Volterra级数理论应用于不同状态齿轮啮合传动系统,以充分发挥Volterra级数能够综合利用系统输入、输出数据进行系统非线性特性描述的优势;同时考虑到QPSO算法较高的全局搜索能力,采用该算法对齿轮啮合传动系统Volterra模型进行了时域核辨识。仿真实验结果表明,高阶时域核对于齿轮裂纹故障所引起的系统非线性特性变化非常敏感,可以有效地表征并区分出不同状态下齿轮啮合传动系统的非线性动态特性,达到了预期目的。

快速峭度谱因其对瞬态冲击信号具有快速检测的能力,在旋转机械故障特征提取中得到广泛应用。提出了基于快速峭度谱的机械故障特征提取流程,并将快速峭度谱应用于某型坦克变速箱复合行星齿轮的故障特征提取中。首先,分析特定工况下齿轮正常和剥落故障两种状态的信号,与传统包络分析结果进行比较,结果表明,基于快速峭度谱的故障特征提取方法能够显著增强故障特征频率的幅值。为了验证测点的工况适应性和特征提取方法的有效性,考虑挡位、转速和载荷等因素,设计了32种试验工况,分析各个工况的试验数据,研究了转速、载荷等工况参数对故障特征提取的影响。结果表明,所选测点在各工况下采集的数据均可有效提取故障特征频率,转速和载荷的增加有助于故障特征提取。

针对随机噪声和虚假分量影响总体平均经验模态分解（EEMD）分解质量问题提出基于奇异值分解（SVD）和第二代小波变换（SGWT）联合降噪预处理和本征模态分量（IMF）能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换利用SVD对SGWT得到的高频系数进行降噪处理克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明SVD和SGWT联合降噪故障信号信噪比显著提高且失真度小抑制了噪声对EEMD分解精度的干扰能量熵增量能有效地去除虚假IMFHilbert谱中各频率成分清晰不混叠成功提取了液压系统故障特征频率。