从盲声源信号的独立性出发,提出了一种新的盲声源混合信号分离方法.该方法基于信号联合概率的分布统计,利用信号联合概率的方向导数熵最小获得最佳的旋转角度,最终实现盲信号分离.与快速独立分量分析方法及神经网络方法相比,该方法不需要迭代计算.采用新的盲声源信号分离方法对轴承试验台的混合声音信号进行识别,将电机和滚动轴承的声音分离出来,进而可以准确识别机械的故障.

开发了一套基于分形理论，使用柴油机声音信号进行故障诊断的虚拟仪器。介绍了其硬件平台的搭建，结合LabVIEW与MATLAB混合编程阐述了软件平台的设计，该平台由声音信号采集、信号预处理、故障特征提取、故障诊断4个模块构成。在故障特征提取模块中对分形关联维数的G—P算法进行了论述。结合柴油机故障实例测试表明：柴油机声音信号关联维数随工作状况改变有明显变化，能作为故障诊断的特征量，通过该虚拟仪器能迅速有效地识别出故障。

综合超声波的声时、声频等参数检测构件质量以及尝试冲击回波法和声音识别法检测构件质量，结果表明：超声波综合法可以提高检测精度和识别缺陷能力；冲击回波法能够初步检测钢管混凝土脱层厚度情况；声音识别法能够迅速判断出构件缺陷位置。

由于微型电机体积小,其振动信号无法用常规的加速度传感器进行采集,且对微型电机的故障诊断不需要诊断出其具体故障类型,只需要判断故障是否存在,因此,微型电机故障检测初期通常采用噪声检测的方式。采用这种检测方式,提出一种基于声音信号的微型电机故障诊断方法。针对声音信号信噪比大、易受环境影响的特点,运用最大相关峭度解卷积-小波阈值降噪的方法,对声音信号中的周期性冲击成分进行增强并滤除环境噪声。采用希尔伯特变换得到信号的包络线和包络谱。根据包络线的形状和包络谱峰值对应的频率进行判断,实现了对微型电机故障的诊断。

机床冲孔产生的声音信号包含了许多有用信息,为了滤除声音信号提取过程中的工厂环境产生的噪声,使用改进阈值小波去噪方法对声音信号进行处理。利用信噪比(SNR)和均方误差(MSE)作为去噪效果指标,使用新的阈值选取规则,提出了一种分段连续的阈值函数,对传统小波去噪方法进行改进。该改进函数通过引入常数a,解决了传统阈值函数中软硬阈值函数不连续和恒定偏差问题。采集机床冲孔声音信号并叠加高斯白噪声作为机床冲孔含噪信号进行验证。通过实验确定了最佳小波函数类型和分解层数,将改进阈值小波去噪算法与传统算法进行对比,结果表明:改进后的算法去噪效果良好,且有效保留了较低的信号能量。

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数(MFCC)作为特征,利用灰狼优化算法(GWO)优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈

机床声音信号包含着丰富的机床运行状态信息,可作为机床运行状态的判断依据。传统的机床声音信号采集设备成本高,功能单一。为提高机床声音信号采集系统的通用性、丰富声音信号采集系统的功能,并降低设备的成本,以机床、传声器、计算机等为硬件平台,基于Lab VIEW2012软件开发了机床声音信号采集与处理系统。通过实验证明该系统可以对机床的声音信号进行采集,并可进行初步的数据处理,证明了系统的可靠性,为机床设备故障诊断及预测系统的研究打下了坚实的基础。