风机叶片表面在出现损伤时,叶片在空气中转动过程中,产生的气动音频信号有异于叶片无损时的气动音频信号,其信号特征参数与叶片的损伤类型存在一定的关系,但风机叶片在空气中旋转产生的气动音频信号往往是非线性非稳态的,对于这种信号的特征提取存在一定困难,实验证明,正常叶片气动音频信号与故障叶片的气动音频信号的频带存在显著差别,基于此,提出一种基于ITD固有时间尺度分解的时频分析方法,先将信号自适应的按频率从高到低分解为若干PRC旋转分量,计算每一频带内的时域信号的能量,构造初始特征向量,再使用PCA对特征向量进行降维,简化计算,提高分类器识别效率,最后将降维简化后的样本特征向量输入到支持向量机进行训练识别,并从特征提取时间和识别率上与传统EMD分解作比较,结果表明,该算法降低了特征提取的计算量,减少了特征提取...

为了提高旋转机械故障诊断的性能,提出了基于排列熵和变量预测模型的故障诊断方法。使用固有时间尺度分解法分解初始故障信号,得到多个固有旋转分量;选择含有故障信息的分量并计算其排列熵,作为故障诊断的特征值;使用训练样本得到的特征值训练不同故障状态下每个特征值的预测模型,将此变量预测模型用于诊断故障信号的故障类型;经实验验证,与BP神经网络、支持向量机等方法相比,所提出的故障诊断方法不仅诊断准确率高,而且耗时少,说明该方法有效性。

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。

针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取,以及实际运行中因故障样本缺乏而影响故障诊断准确性的问题,提出了基于固有时间尺度分解（Intrinsic Time Scale Decomposition,ITD）的AR模型振动信号特征提取,与支持向量数据域描述（Support Vector Data Description,SVDD）相结合的轴承故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转（Proper Rotation,PR）分量,然后对每一个PR分量建立AR模型,提取模型参数和残差方差构造特征向量,用以建立轴承正常运行的SVDD模型,并以振动信号特征向量偏离SVDD模型的程度来判断轴承的运行状态.将该方法应用于滚动轴承的故障诊断,实验证明了所提方法的有效性.

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法（Improve Intrinsic Timescale Decomposition,简称IITD）方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明：相比BP神经网络,能更有效地应用于齿轮的故障诊断。

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。

针对航空发动机中介轴承振动信号故障微弱，故障特征难提取的问题，提出了基于固有时间尺度分解（ITD）和近似熵（AE）结合随机森林（RF）的航空发动机中介轴承故障诊断方法。首先，利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号；然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量（PR），计算其近似熵；最后，将不同尺度的近似熵值作为特征向量，输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明，该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征，故障诊断准确率高，具有工程实用性。

针对滚动轴承的故障诊断问题,提出一种基于迭代希尔伯特变换（Iterative Hilbert Transform,IHT）与切片双谱相结合的滚动轴承故障诊断方法。基于IHT方法对原始的振动信号进行了分解,得到若干个含有故障特征信息的幅值包络分量,并对每个幅值包络分量的切片双谱进行计算,由二次相位耦合产生的非线性特征提取出滚动轴承故障的特征频率信息。仿真信号分析结果表明,该方法可有效抑制噪声对IHT方法的影响,诊断效果良好,证明了该方法的有效性。