针对微弱故障信号易被强噪声淹没的难题,提出了一种基于小波包降噪与改进LMD相结合的提取微弱信号特征向量的方法。首先选择恰当的小波基进行小波包分解,再根据计算出的最优小波包树进行信号重构,实现对原始信号的降噪处理。然后对重构的信号进行LMD分解,再计算PF分量的互相关系数和峭度值,减少虚假分量同时增强故障信号幅值。最后对真实的PF分量进行包络谱分析,提取弱信号的故障特征。实例研究结果表明该方法能够有效地提取出淹没在强噪声中的故障弱信号的特征向量。

针对最大相关峭度解卷积(MCKD)算法滤波器阶数需要人工选择的问题,提出了一种采用变步长搜索方式的改进MCKD故障诊断方法。该方法以故障特征能量比最大化为目标,首先在全部搜索范围内用大步长计算特征能量比,确定最优目标所在的峰值位置,再用小步长进一步在峰值位置附近精确搜索最优滤波器阶数的具体数值,然后对原信号进行滤波并进行包络解调分析,最后由解调出的故障特征频率确诊故障。实测滚动轴承全寿命数据分析验证了该方法的有效性,为滚动轴承早期故障的自适应诊断提供了一条思路。

针对变转速工况下齿轮传动系统振动信号的非平稳性和复杂性在故障诊断中的特点及存在的问题,提出了一种结合重采样和优化VMD的分析方法。对于双跨转子系统齿轮箱的试验振动信号,采用等角度重采样方法将非平稳的等时间间隔信号转化为平稳的等角度信号,然后对角度域信号进行基于中心频率观察法和BSA优化的变分模态分解(VMD),合理选择模态分量进行重构,然后希尔伯特变换得到能有效反应故障信息的包络谱,有效识别出系统变速过程中的齿轮箱断齿故障。该方法有效克服了传统故障诊断方法在变工况下的不足,具有一定的实际意义。

为了解决包络谱稀疏问题,提出了一种基于包络谱稀疏指标盲滤波器的轴承状态监测方法。提出的盲滤波器利用三种不同的稀疏性测度l1/l2范数、霍耶指数和谱负熵导出,迭代优化过程的关键是利用Rayleigh商来更新滤波器系数,从而在不需要知道有关机械部件的特征故障频率等先验信息条件下,利用包络谱的稀疏性来跟踪振动信号中具有二阶循环平稳特征的故障。轴承数据集的实验结果表明提出的方法能够实现具有循环平稳特征的轴承故障跟踪,并且对滤波器长度具有良好的鲁棒性。

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。

行星齿轮箱振动信号中的故障特征通常淹没在噪声信号中,因此有必要研究如何提取这些微弱故障特征。针对传统奇异值分解特征提取方法中不能自动选择有效奇异值数目的问题,提出了一种基于自适应奇异值分解的行星齿轮箱故障诊断方法。首先根据一定的条件,通过该方法选择几个不同的有效奇异值数目并得到几组不同的重构信号;再根据这些重构信号的偏态绝对值,自动选择最佳的重构信号;最后进行包络分析,得到故障信号的包络谱。仿真和实验对比结果表明,此方法相比于传统的奇异值分解特征提取方法,能够更好地在消除噪声和提取行星齿轮箱振动信号中的微弱故障特征。

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。

针对齿轮故障振动信号的调制特点，设计了一种基于振动信号的齿轮状态检测分析系统，实现齿轮传动过程中异常状态的实时在线检测。以LabVIEW为开发平台，在开发齿轮状态监测各个程序模块的基础上，设计了基于Hilbert的包络解调分析模块。最后通过仿真和实验对齿轮故障的调制振动信号进行了解调分析。分析结果表明，基于包络解调分析模块的齿轮检测系统可准确地对齿轮故障的类型和位置进行识别。

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。

柱塞泵是液压系统的关键部件，对其运行过程中的负荷状态进行监测和识别非常重要。由于在柱塞泵运行过程中，受振动机理复杂，环境干扰等因素的影响，柱塞泵的负荷状态识别比较困难。根据柱塞泵负荷状态发生改变时，振动信号能量会重新分布的特点，通过Hilbert变换对信号进行解调，根据包络谱上供油频率及其倍频处的峰值构造特征向量，最后，采用SVM对柱塞泵负荷状态进行识别，并与BP神经网络方法进行对比。试验结果表明，基于包络谱构造的特征向量能够有效反映柱塞泵的负荷状态，采用SVM对柱塞泵负荷状态进行识别能够获得比较好的结果。