针对有效利用多通道数据进行准确、灵敏的故障诊断的问题,研究了一种基于遗传算法的耦合隐马尔科夫模型的故障诊断方法。该方法是通过遗传算法优化耦合隐马尔科夫模型参数,以优化参数后的耦合隐马尔科夫模型拟合设备各状态数据建立状态模型库,再计算待诊断信号的极大似然概率值判断设备状态。通过对滚动轴承6种状态实验数据的分析,表明遗传算法能对耦合隐马尔科夫模型参数进行有效优化,且这种基于遗传算法参数优化的耦合隐马尔科夫模型能准确、灵敏地进行故障诊断,且能以极少量数据识别出状态变化。相比于传统故障诊断方法,该方法可不进行特征提取直接建立诊断模型,简化了诊断流程且能更好利用隐马尔科夫模型对状态转变敏感的特性。

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换（SWT）对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换（CWT）,其次对小波变换系数进行同步压缩变换（SST）,然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empirical modede composition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsicmodefunctions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法的对比研究,表明了所提方法的优越性。

剥落区长度与球轴承振动响应中的双冲击现象密切相关,传统方法对剥落区双冲击现象动力学机理建模都是基于恒定接触刚度,然而当球轴承滚道表面存在剥落时,滚动体与剥落区部分的接触区域不再为一椭圆面,滚动体与剥落区之间的接触不再满足接触刚度恒定这一条件。针对这一问题,以内圈滚道表面存在单一故障的球轴承为研究对象,基于Hertz接触理论,提出考虑滚动体与内圈剥落区之间时变接触刚度特性和时变位移激励的球轴承局部故障双冲击现象动力学机理模型,并对振动响应中的双冲击时间间隔进行分析。研究表明,该模型能克服传统的接触刚度计算方法未考虑滚动体与剥落区之间接触刚度时变性的缺点。通过仿真、实测及理论双冲击时间间隔对比,验证了该模型的有效性。

Teager能量算子追踪并计算信号的瞬时能量,在检测信号冲击特征方面具有独特优势,已广泛运用于轴承的故障检测,但尚未见其在列车轮对轴承声音信号分析中的运用。为此,提出一种基于Teager能量算子解调的轮对轴承故障检测方案,首先介绍Teager能量算子的概念及解调原理,利用该方法对型号为197726TN的轮对故障轴承服役过程中采集的声音信号进行分析,通过Teager能量算子解调得到信号的瞬时能量波形,再对其进行包络谱分析得到包络谱,进行轴承故障识别。与常规的Hilbert解调方法对比,可知Teager能量算子解调法能更加有效地突显故障信号特征并确定故障类型,其在轮对轴承声音信号故障检测上的优势得到验证。

轧机齿轮箱传动系统是轧机系统的重要组成部分,也是较易出现机械故障的部分。轧机齿轮箱出现故障后其异常振动会严重影响轧制过程的稳定性,造成轧辊轴承损坏、轧件质量变差等不良后果。通过声发射监测技术实现振动信号的采集,并结合基于EMD的ICA信号处理方法,得出发现和诊断轧机齿轮箱各类故障的有效方法。通过对某钢厂轧机齿轮箱实测信号的分析验证了此方法的可靠性。该方法的应用极大提高了轧机系统在轧制过程中的稳定性,为实现精密轧制提供了帮助。

针对小波阈值降噪时硬阈值和软阈值存在的连续性差和小波系数高频损失的问题,以及经典独立分量分析（independent component analysis,简称ICA）方法降噪时的欠定问题,提出了模平方阈值与Fast ICA结合的联合降噪方法。首先将采集的单通道信号进行模平方阈值降噪处理,然后将降噪后信号与原振动信号组成输入矩阵进行Fast ICA降噪,最后对降噪后信号进行包络谱分析,实现滚动轴承特征提取和故障诊断。仿真和实验结果分析表明：该方法能使振动信号的峭度值增大,有效地滤除噪声,凸显故障特征信息,证明了该方法的有效性。

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。

机械设备故障的发生往往伴随着振动现象，通过对故障振动信号进行有效的分析是机械设备故障诊断的关键。最近提出的稀疏分解算法具有多分辨率、稀疏性和冗余的特点，但是也存在着原子库构造困难和分解算法计算量大的问题，为了更好将稀疏分解算法应用于机械故障诊断中，提出在正交匹配追踪算法的基础上，采用具有良好时频特性的Gabor原子，利用量子遗传算法快速求解多参数全局最优解的优点，从振动信号中快速和准确地提取出故障特征信息。通过数值仿真信号分析证明了所提的方法无论在特征提取的准确性上还是减小计算时间上都优于传统的正交匹配追踪算法，另外在轴承故障诊断实际应用中的实例分析中，相比传统的频谱分析方法更能有效地提取出故障特征信息，有效降低了背景噪声和杂质频率的干扰。

为了有效的实现滚动轴承的故障诊断,提出基于近似等距投影和支持向量机的滚动轴承故障诊断方法。该方法首先使用高斯随机投影矩阵对数据进行降维投影得到压缩数据,根据近似等距投影性质压缩数据能够保持原始信号的结构;然后从压缩数据中提取压缩域特征并作为支持向量机的输入,建立滚动轴承故障诊断模型,实现轴承的故障诊断。使用不同状态的轴承实测数据进行验证,结果表明该方法能够获得准确的结果。