针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态...

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分，造成信号中表征故障信息的周期冲击成分难以提取，无法准确有效的对滚动轴承进行故障诊断。针对这一问题，提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数，其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分，最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。

强噪环境下,齿轮箱复合故障中的微弱故障特征难以提取,因此提出了基于多点最优最小熵反褶积（MOMEDA）的复合故障提取方法。首先对最小熵反褶积（MED）和最大相关峭度反褶积（MCKD）两种方法进行改进,以多点峭度最大值为目标,对信噪比不同的仿真信号,通过设置合理的周期区间逐个追踪复合故障的周期成分,验证了此方法降噪性能;然后将MED-MOMEDA应用风电齿轮箱复合故障实验台中,成功提取出复合故障特征;最后用文中所提方法与EEMD对比分析进一步验证了此方法的可行性。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

在实际工况下,齿轮箱故障经常包含多个故障信息,而弱故障信号相比强故障信号和噪声属于微弱信号,故复合故障中的弱故障信号提取一直是旋转机械故障诊断的一大难点。基于上述问题,考虑到MED（Minimum Entropy Deconvolution）具有强降噪性能、VMD（Variational Mode Decomposition）分解出的本征模态函数在强噪声环境中会失真、VMD分解精度由惩罚因子α和分解次数k决定,提出了一种基于MED-VMD的滚动轴承微弱故障提取方法。首先对原信号用MED降噪;进一步设置初始参数α和k,对降噪后的信号通过VMD分解,计算相邻本征模态函数的相关系数,确定最佳惩罚因子α和分解次数k;最后对本征模态函数进行包络谱分析,提取了齿轮箱中轴承的微弱故障信息。通过仿真信号和实测数据均验证了所提方法的有效性,给强噪声环境的复合故障的微弱故障特征提取提供一种新思路。