由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

针对群孔特征接触式在机测量过程中测量摆角多、标定效率低的问题,提出一种基于聚类的群孔特征测量摆角规划方法。以避免测针与孔口干涉为约束,计算测针轴线与孔轴线的夹角阈值,然后以此阈值为边界条件进行迭代聚类,进而获得覆盖全部孔特征的测量摆角集合。实验结果表明:使用所提方法可实现对群孔特征测量摆角的快速规划,测量摆角数量较传统方法下降约28%,综合测量时间下降约19%,有效提升了群孔特征在机测量效率。