掘进机在非均匀土壤工况下运行会使得其液压驱动系统受到较强的冲击负载,易导致其核心动力源液压泵发生故障。针对轴向柱塞泵内的典型磨损故障的特征分离提取与辨识分类,提出了一种基于CEEMDAN方法的故障振动信号时频域特征提取方法,对泵壳体采集的振动信号进行时频域分解,并构建70维度特征空间对状态特征进行表征描述;通过特征降维融合的策略,采用t-SNE对高维特征进行解析融合,将70维的特征空间降维至2维空间,并显著提升了分类器的训练效率和分类准确性;采用SVM方法训练3类典型磨损故障的分类器模型,并通过测试集验证,模型的辨识准确性达到96.7%,显著优于不进行降维处理的高维分类器辨识模型。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。

为了诊断回转窑工作故障和评估窑运行状况,有效提取窑筒体故障的特征信号极为重要。通过分析故障状态下窑筒体与托轮之间受力关系,建立托轮振动模型,得出窑故障与托轮位移振动的关联关系。针对现有窑筒体故障特征信息提取方法的不足,提出基于小波包分解的特征频率提取方法,对实际采集的数据进行小波包分解和提取特征频段进行重构。对重构后的数据进行Hilbert分析表明,采用小波包分解方法在托轮位移信号中提取2个窑故障特征频率,即筒体工作频率(KH)与托轮工作频率(RH),并以KH和RH的能量密度作为评估参数来分别反映筒体弯曲和各托轮超载受力的故障程度。通过对实测回转窑托轮信号进行处理,表明所提出方法有效,从而为后续研究回转窑运行故障的在线监测提供了新思路。

针对滚动轴承早期故障特征信号微弱、难以提取的特性,引入一种基于总体经验模态分解方法(CEEMDAN)和快速独立分量分析(FastICA)相结合的滚动轴承故障特征提取方法。该方法首先通过CEEMDAN和峭度、相关系数结合,完成信号的分解与重构。然后构建噪声通道,使用快速独立成分分析进行去噪分析,获得去噪信号。最后,对分离出的最佳估计信号进行包络谱分析并得到故障特征频率。该方法有效降低了噪声干扰,能够对故障特征频率进行有效识别。

探讨研究X射线探伤底片的自动定级方法，运用X射线成像和数字图像处理技术，通过对预处理后X射线探伤底片图像的特征提取，得到产品焊缝内部缺陷的状态特征，结合人工神经网络方法实现模式识别，建立状态识别模型，并依据识别模型，完成产品焊缝内部缺陷的自动分类识别。

随真空度的持续提高,泵运行过程中开始形成空化并且空化程度逐渐变得明显,由此引起泵流量减小。为实现对柱塞泵的实际振动信号精确分析,选择小波基函数对采集信号实施三层小波包分解处理,经过阈值去噪以及小波包重构方法完成信号去噪过程。采极限学习机用EMD自适应分解方法处理振动信号,从中提取可以显著反馈信号复杂度的样本熵,并根据该参数判断空化情况。当样本熵值提高后形成更复杂的样本序列。开展了通过ELM实现的柱塞泵空化状态检测,结果表明:本设计特征提取方法都能够准确检测各工况的空化状态,与BP神经网络以及随机森林(FR)相比,ELM达到了更高检测准确度,并且ELM模型时间也显著缩短。该研究对提高柱塞泵空化振动信号提取及故障诊断效率分析具有很好的实际指导价值。

为解决强背景噪声下经验小波变换（EWT）难以准确提取滚动轴承故障特征的问题,提出了一种自适应频率窗EWT方法。首先对轴承故障振动信号进行傅里叶变换,引入一个带宽可变的滑动频率窗对其频谱进行分割;然后利用水循环优化算法（WCA）,通过所提出的包络谱谐波噪声比指标,自适应确定滑动频率窗位置;最后进行EWT筛选出最佳的模态分量信号,通过包络解调分析提取轴承故障特征信息。采用所提方法对滚动轴承故障实验信号进行分析,结果表明,该方法可以有效用于滚动轴承微弱故障特征的提取,而传统EWT方法因为受强背景噪声影响较大,无法准确提取故障特征信息。

目前行星齿轮箱已经在军用和民用装备中广泛应用，研究行星齿轮箱的故障诊断方法意义重大。为了研究行星齿轮传动的故障机理，揭示其故障特征，建立了行星齿轮系统的动力学模型，研究了齿轮裂纹对齿轮啮合刚度的影响，得出了正常、太阳轮裂纹和行星轮裂纹等三种状态下系统的振动响应。提出了基于包络排列熵的特征提取方法，以判断行星轮系的运行状态。最后通过实测信号验证了所提特征的有效性。

针对集成经验模式分解(Ensemble empirical mode decomposition,EEMD)在轴承故障特征提取中的问题,提出一种混合故障诊断方法。首先,将“形态滤波-平移不变量小波”作为EEMD的前置滤波器,实现对原始信号中窄带脉冲和随机噪声干扰的有效消除;其次,针对本征模式分量(Intrinsic mode functions,IMFs)中真实分量的选取问题,提出一种轴承振动信号EEMD分解的筛选规则,即计算各IMFs和原信号的自相关函数并作归一化处理,然后计算各IMFs自相关函数和原信号自相关函数的相关系数,以最大相关系数的一半作为阈值剔除虚假的IMFs,与此同时保留第1和第2阶IMFs,从而实现对EEMD的改进。仿真和实验轴承故障诊断研究表明了该方法的有效性,方法的优点在于将“形态滤波-平移不变量小波”作为集成经验模式分解的前置滤波器,可有效去除故障轴承振动信号中的窄带脉冲和随机噪声干扰;本文的...