针对发动机缸盖振动信号信噪比低的问题，提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后，利用主成分分析对所有子带系数进行坐标变换，信号重构后再进行小波包分解，计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力，与支持向量机结合用于发动机十一种故障的诊断实例表明，故障分类准确率可达到98．76％。

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征.方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整.在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号.以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。

针对柴油机不同部位的机械故障特征容易混淆且呈现非平稳循环特征的特点,提出了一种基于时频图像极坐标增强的柴油机故障诊断方法。将振动信号Gabor变换的时频特征通过等角度采样映射为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的增强。提取不同技术状态振动信号6个工作循环内的极坐标图上区域能量特征作为故障特征参数,输入支持向量机进行分类训练和模式识别。试验结果表明,针对柴油机的5种典型故障,该方法能显著增强故障特征,有效提取故障特征信息,准确识别出不同类型的磨损故障。

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了-种基于压缩小波和局部保持投影的柴油机信息熵增强方法.利用压缩小波对信号多尺度重枸减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征.仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别.

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积（minimum entropy deconvolution,MED）与希尔伯特变换（Hilbert transform,HT）相结合的滚动轴承故障特征提取方法（MED-Hilbert）,该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。