通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障

为了更好地识别噪声与时变转速条件对变工况齿轮箱的故障,开发了一种通过深度小波自动编码器(DWAE)与门控循环单元神经网络(GRUNN)相结合的变工况齿轮箱故障识别方法,其能够从含噪样本自主提取得到鲁棒故障特征;通过Adam与Dropout方法进行训练,通过Softmax分类器对待诊样本的变工况齿轮箱运行状态进行了准确识别。研究结果表明,采用该模型识别齿轮故障时,能够达到有效分离齿轮的6种故障状态,从而满足齿轮状态聚类的优化功能;该模型能够提取出DWAE的鲁棒特征参数,也可以发挥GRUNN以实现消除梯度的效果。当训练样本数增加,待诊样本的准确率也发生了明显提升。样本数超过200后,测试待诊样本可获得稳定准确率,通过DWAEGRUNN方法识别得到的准确率最高。针对变转速工况,该模型可以保持很好的准确率。

为了更好地准确识别轴承故障特征非线性分类问题,提出了一种基于IFOA-SVM的故障分类识别方法。使用变分模态分解方法对轴承振动信号进行分解处理,以模态分量的模糊近似熵和能量熵构成故障特征向量;基于"一对一"策略拓展设计了OVO-SVM多分类器,构造多项式核函数和径向基核函数组合的混合核函数,使用IFOA算法对SVM分类器的核函数比例系数λ、径向基核函数宽度参数σ、惩罚因子C等关键参数进行优化,构建IFOA-SVM故障分类识别模型;提出了轴承故障识别流程。结果表明,该方法可以实现对轴承故障特征准确高效的识别。

在齿轮齿根裂纹故障检测方面,利用倒频谱分析可以比较损伤程度的轻重,但很难具体量化损伤程度范围。为实现损伤程度的量化检测,提出采用主成分分析(Principal Component Analysis,PCA)与灰色关联分析(Grey Relational Analysis,GRA)相结合的方法。首先,利用能量法计算含不同齿根裂纹的齿轮副时变啮合刚度,分析不同损伤程度的响应,并结合损伤检测统计指标进行量化检测,通过PCA算法,对多维损伤检测统计指标进行降维优化后,计算待检目标序列与各个比较状态序列的关联度,用关联度表征裂纹损伤程度。在理论仿真的基础上,进行实验验证。结果表明,倒谱分析可有效地识别出齿根裂纹故障,损伤程度越大,倒谱的尖峰幅值越大。PCA与GRA结合算法与GRA算法计算的关联度相比更大,区分度也更加明显。并可以有效地量化待检目标的损伤程度,为齿根裂纹的定量识别提供理论依据

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解（CEEMDAN）与多尺度排列熵（MPE）相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量（IMF）计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机（SVM）中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明：基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。

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。

随着社会生产技术不断发展,液压系统已经广泛应用于各个领域,而在液压系统的使用过程中,其故障识别处理对于系统长期稳定运行具有极其重要的意义,故障识别的前提是熟悉了解液压系统生命周期的不同运行使用阶段常见的各种故障,并掌握目前常用的几种故障识别的方法。除此之外,还要注意做好液压系统故障预防的一些措施,降低系统故障的发生率。