针对旋转机械高维故障数据难以被准确辨识的情况,提出了一种基于主元分析（principal component analysis,PCA）和K近邻（K-nearest neighbour,KNN）算法的旋转机械故障识别方法。合理选取出各状态信号的时域、频域特征指标构造成高维特征空间,输入给主元分析算法进行降维处理,提取出低维敏感特征,将约简后的状态样本输入给KNN算法进行故障识别。滚动轴承和转子的实验结果表明,该方法能够很好的约简高维故障样本特征,在实现样本数据可视化的同时准确识别出各故障样本。与传统方法相比,该方法具有结构简单、识别率高等优点,对机械故障诊断研究具有一定的工程意义。

针对陀螺电机轴承保持架故障信号振动频率小、量级低,常被强噪声淹没而难以识别的问题,采用自适应噪声完备集合经验模态分解改进HHT算法,并与自动提取敏感IM F方法相结合以提取保持架故障特征,进行故障状态识别。通过对某挠性支承陀螺仪中存在保持架故障轴承的实例分析表明,该算法可准确提取出多阶保持架故障特征频率。

提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压缩机示功图故障识别。