针对滚动轴承早期故障特征难以提取的问题,提出一种结合变分模态分解(VMD)和希尔伯特变换(HT)的特征提取方法,并且应用BP神经网络(BPNN)对特征进行分类,最后以实验验证了其可行性。首先,采用VMD对实测滚动轴承振动信号进行分解,并用HT变换计算分解得到的本征模态分量(IMF)的瞬时能量矩阵,然后,通过奇异值分解(SVD)对瞬时能量矩阵降维进行特征提取,最后将提取得到的特征向量输入训练好的BPNN中进行滚动轴承故障诊断。实验结果表明,此方法可以准确提取滚动轴承在不同故障状态时的特征,并且对滚动轴承故障诊断的准确率较高。

针对小波包络解调法在轴承故障诊断中,当轴承故障加深时,频段选择不当对诊断结果干扰较大,为解决该问题,提出了一种小波包能量谱结合希尔伯特变换的方法对轴承故障特征进行提取。使用小波包变换对信号进行分解、重构。对重构后的信号进行小波包能量谱分析得出能量较集中的节点,提取该节点对应的频段信号,并通过希尔伯特变换对相应频段进行包络分析诊断出轴承故障。以实验室实测信号故障轴承数据为对象分析,验证了结合小波包能量谱结合希尔伯特变换准确地识别轴承故障类型。

扭振可以看作是柴油机曲轴匀速转动的相位调制，通过希尔伯特解调技术对其曲轴扭振产生的调幅、调相制脉冲进行解调，能准确分离出扭振的全过程，分析可得正常、故障工作状态下柴油机的扭振相位信号，进而判断柴油机失火故障现象。实验证明该方法简单易行，诊断可靠，仅从曲轴瞬时转速的幅值上就能对柴油机某缸的熄火故障以及柴油机各缸做功的不均匀性做出准确诊断，说明Hilbert解调技术在柴油机失火故障诊断中的应用是行之有效的。

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。

针对传统包络方法中存在的不足,提出一种新的能量转换表达。该种新的能量表达主要基于高阶对称能量算子。这种新的表达可以跳过求包络信号这一步,而直接得出故障信号的能量,从而从能量谱中分辨出轴承故障特征及其倍频。同时,由于采用了对称高阶求导方法,大大增强了检测轴承微弱信号的能力,可以从受到严重污染的测量信号中提取出轴承故障特征,因此它具有更好的鲁棒性。将该方法应用到仿真模拟信号与实际轴承故障信号中,并与传统的解调算法Teager能量算子和希尔伯特变换进行对比,证明了该方法的实用性和优越性。