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。

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究。采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM中进行训练和诊断,并与原始信号的特征向量诊断结果进行比较,诊断准确度可达99.5%以上。最后将SVM诊断结果与BP神经网络进行比较,结果表明SVM具有更高的速度和准确度。

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间,忽略最大预测可信时间而得到的仅包含有限离散振动幅值的预测,对具有周期震荡趋势信号的特征识别与寿命分析意义甚微。笔者从信息熵角度计算预测可信时间,在对振动时序局部均值分解(LocalMeanDecomposition,LMD)的基础上,建立基于KNN(KNearestNeighbor)非参数改进预测算法,从能量角度选择LMD主分量和影响权值,对主分量做相空间重构并构造预测序列,以最大预测可信时间为重构间隔,对不同特征模态相空间重构以实现对模型的变参数寻优;采用上述预测算法对2D12往复式压缩机轴承振动序列计算并提取故障特征分量,对比分析表明,该算法能较准确预测序列演化趋势并为寿命预测提供有效支撑。

针对往复压缩机振动信号的非平稳和非线性特性，多重分形广义谱是一种简便、快速有效的特征参数提取方法；但其对噪声敏感，使得谱值波动，部分故障类间特征可分性差。利用经小波降噪后的优化LMD算法，并结合相关系数提取PF主分量以突出状态主信息，将多尺度整数寻优观点引入广义维，基于最佳可分性角度计算状态间最大平均距离，构造广义维数特征矩阵；通过SVM与增量学习K邻近（IKNNModel）统计算法训练和识别样本，对比证明该法能提高故障特征类间可分性和识别准确性。

针对复合故障信号的多分量耦合调制特征及局部均值分解方法存在的包络误差现象,提出了一种基于有理分段三次Hermite插值的LMD方法,该方法通过计算＂最优参数区间＂确定每个小区间的最优参数,选择＂最优参数区间＂中的任意参数调整插值样条的形状,使插值样条无限逼近于被插值目标,提高了包络曲线的拟合精度和准确度。采用仿真数据对比的形式,验证了有理Hermite插值LMD方法的逼近能力和高拟合精度。将该方法应用到齿轮和滚动轴承复合故障信号的诊断中,再次证明了该方法的高拟合精度,实现了对复合故障信号的准确诊断。