针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解（optimal ensemble empirical mode decomposition,简称OEEMD）与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解（ensemble empirical mode decomposition,简称EEMD）过程中两个关键参数k（加入白噪声的幅值系数）和m（集合平均次数）的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。

针对滚动轴承变速过程中振动信号非平稳,早期故障特征微弱的特点,将阶次跟踪与能量算子(EO)相结合,提出阶次跟踪能量算子(OTEO)与奇异值分解(SVD)结合的轴承故障诊断方法。首先,对时域振动信号进行SVD以降低噪声干扰;然后,对降噪后的信号进行OTEO解调分析,即对信号先进行EO解调再对包络信号进行阶次跟踪;最后,采用Fourier变换做出包络阶次谱,从中提取出滚动轴承故障特征阶次。试验结果验证了该方法对于滚动轴承故障特征提取的有效性。

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。

针对行星齿轮箱模态试验下多自由度、低频、密频的模态参数识别问题,提出一种将经验模式分解(Empirical Mode Decomposition,EMD)与能量算子(Energy Operator,EO)相结合的模态参数识别方法。为了定阶模态和满足能量算子对单分量的要求,采用EMD方法将振动信号分解成多个固有模式函数(Intrmsic Mode Fimction,IMF)。对各个IMF利用高阶能量算子估算频率,计算各IMF与原信号的相关性并根据频率判断阶次及去除虚假分量。由于阻尼比本质就是反映能量衰减,而能量算子能够追踪系统能量,结合二者提出半周期能量算子法估算模态阻尼比。分析了仿真信号和模态试验信号,并与传统方法进行对比分析,实验结果表明,该方法能有效提取行星齿轮箱各阶次的模态参数,验证了方法的有效性与可行性。

针对液压泵振动信号出现的调制现象，提出基于集总平均经验模态分解（ensembleempiricalmodedecomposition，EEMD）和平滑能量算子解调相结合的方法进行解调，并运用小波包分解频带能量的方法提取了轴向柱塞泵的特征向量。首先，利用EEMD将采集到的柱塞泵振动加速度信号分解成若干个平稳的本征模函数（IMF）；然后，选取包含主要故障信息的本征模函数通过能量算子解调的方法进行包络解调，从而提取振动信号在高频谐振带的包络成分；最后，运用小波包理论提取各频带的能量作为特征向量。结果表明：基于EEMD和平滑能量算子解调的方法能有效地避免模态混叠现象，提取振动信号的包络成分，成功获得各种状态下的特征向量。

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解（EEMD）和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。