为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明:该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。

针对自动机振动响应信号非线性、非平稳、高冲击的特性，提出基于局域均值分解（LMD）和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各工况信号采用LMD法对其进行分解，对分解得到的分量信号进行广义维数计算，通过广义维数相关系数判断方法选取分量信号，进而构建各工况的样本矩阵，用相关性判断方法计算待检测信号矩阵与样本矩阵之间的相关系数，最后通过对比相关系数的大小来判断故障模式。诊断结果与实际情况完全符合，表明该方法能有效的应用在自动机放障诊断中。

针对支持向量机（SVM）对处理大样本数据和多分类问题以及核函数选择的局限性，提出LMD支持向量机电机轴承故障诊断方法。首先应用局域均值分解（LMD）算法对信号进行自适应分解，得到一系列PF分量，并利用相关分析剔除虚假分量，提取真实PF分量能量组成特征向量；其次应用新的核函数对SVM进行改进，实现自适应的训练，并针对大样本数据和多分类问题采用‘一对多’的方法；最后以特征向量作为改进SVM的训练样本和测试样本，对电机轴承故障信息进行训练，预测。实验验证，该方法能有效的对电机轴承故障进行自适应的诊断。

针对模拟电路故障信号的非线性和非平稳性,提出了用局域均值分解(Local mean decomposition,LMD)和近似熵算法对模拟电路进行特征提取的方法。利用LMD算法把电路故障信号分解为一系列乘积函数(Product functions,PF),再选取前3个PF分量,求它们的近似熵,作为故障的特征向量。电路发生不同故障时,其输出响应信号的复杂度不同,经LMD分解后的PF分量的复杂度就更不相同,而近似熵可以表征时间序列的复杂度,故用LMD加近似熵可以有效提取故障电路的信息。在对故障进行分类判别时,使用核Fisher判别分析,得出各故障的诊断精度。仿真结果显示,本文的特征提取方法在改善故障电路特征的同时提高了诊断准确度,平均分类精度为97.86%。