准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。

利用GCTS动态岩石三轴仪试验系统对混凝土试件进行了单轴条件下不同应力幅值和频率的周期疲劳荷载试验,研究了混凝土疲劳损伤破坏特征、变形机理及能量演化规律。结果表明:增大疲劳幅值与频率,混凝土更容易发生疲劳损伤破坏;单轴疲劳荷载作用下试件破坏主要分为初始加载阶段、疲劳循环阶段和疲劳破坏阶段三个阶段,其中,疲劳破坏阶段试件的弹性模量降低,滞回环面积增大,弹性能密度降低,耗散能密度增大,出现多条拉伸裂纹与贯通裂纹,直至发生损伤破坏;随着疲劳幅值及频率增大,试件破坏时的总能量密度及耗散能密度增幅增大;根据疲劳荷载作用下不同循环阶段的能量演化规律可以预测混凝土的疲劳损伤过程。

为了实现电机轴承故障的准确诊断，必须提取更加准确有效的故障特征。针对上述问题，提出基于小波包分解（WPD）和希尔伯特黄变换（HHT）的故障特征提取方法，并用神经网络进行诊断验证。小波包分解对信号突变检测优于HHT，HHT在低频检测部分比小波包分解更加有优势。结合两种算法的优点，采用小波包分解提取高频段能量特征。并利用HHT对小波包重构的低频信号进一步分析得到低频段能量特征。仿真结果表明，上述算法能够准确诊断出故障类型，提高了轴承故障诊断的准确率。通过与常见的倒频谱分析、WVD方法对比，验证了所提算法的有效性和优越性。

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。