针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。

本文从我国高速动态车辆称重技术现状入手，指出我国高速动态车辆称重技术及装备应该发展的方向以及重点实施措施，最后提出了目标参数的展望。

由于地震信号采集环境和采集仪器存在干扰,采集到的地震波形中通常包含很多噪声信号,严重影响了地震信号的应用。模态单元滤波（Mode Cell Filter：MCF）无需先验基函数,是一种自适应的消噪算法。将MCF引入到地震信号消噪中,提出了一种基于MCF的汽车干扰消除算法,并设计对仿真信号和实际信号的消噪试验。仿真试验中,MCF消噪性能优于最优小波基算法,而在实际信号消噪中,MCF算法性能优于IIR数字滤波器,与改进最优小波基方法相当。

根据振动的瞬时非线性特点，提出采用振动信号的本征模函数（IMF）对实测信号进行特征频带识别。将采集的振动信号经经验模态分解，并去掉主要干扰因素所对应的IMF分量，以得到真实的有效信号。实际测试结果表明，对提取后的信号进行计算后能得到准确的轴重值。

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。

燃气轮机的工作环境恶劣,突发情况和出现故障的模式多、几率大。为此研究有效地燃气轮机故障诊断方法尤为重要。提出了一种EMD小波阈值降噪和KPCA-GRNN相结合的方法,对燃气轮机喷口加力调节器故障诊断进行了深入研究。针对某型真实燃气轮机进行测试试验采集的喷口加力调节器高压转子转速、低压转子转速等八个参数数据,首先采用经验模态分解(EMD)方法对8个参量信号进行EMD分解,然后采用软阈值函数对其进行小波降噪,并进行信号重构,从而可得到燃气轮机喷调工作状态有效数据。在此基础上采用核主元分析法提取喷口加力调节器样本集的不同主元,构建特征向量,并由特征向量建立GRNN神经网络故障诊断模型,通过测试数据进行试验验证,验证了该方法的有效性。此外,尚采用基于KPCA-GRNN的方法对传感器感知的喷口加力调节器的八个参数原始数据进行了...

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD（Empirical Mode Decomposition）方法对原始振动信号分解所得IMF（Intrinsic Mode Function）分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。

为了克服传统故障诊断流程的缺点,提出一种基于EMD（Empirical Mode Decomposition）和振动信号模型的滚动轴承故障诊断方法,首先根据滚动轴承振动机理和振动信号的特征,建立了滚动轴承在正常和各种典型故障时的信号模型,然后采用EMD对原始振动信号做分解,并以峭度为依据进行信号重构,最后计算重构信号与不同信号模型之间的相关系数,根据系数大小可准确判断故障类型。通过对实验平台信号和风力发电机组齿轮箱滚动轴承振动信号的分析,验证了该方法的有效性和实用性。

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解（EMD）和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分。通过两种方法的对比可以得出：两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少。

液压信号具有非平稳性、非线性、特征信息相近时难以正确辨识的特点。针对该特点提出了一种经验模态分解（EMD）和多特征组合的信号辨识方法。该方法将信号自适应分解为若干个固有模态函数（IMF）；提取各IMF分量的能量、裕度、峰度、波动系数等特征参数，规范化后组合形成全局特征向量，并输入支持向量机（SVM）中学习和辨识。通过对液压主管压力信号处理表明：该方法能有效辨识特征信息相近的压力信号，在小样本下仍然具有较好的辨识率。