为了提高旋转机械故障诊断的性能,提出了基于排列熵和变量预测模型的故障诊断方法。使用固有时间尺度分解法分解初始故障信号,得到多个固有旋转分量;选择含有故障信息的分量并计算其排列熵,作为故障诊断的特征值;使用训练样本得到的特征值训练不同故障状态下每个特征值的预测模型,将此变量预测模型用于诊断故障信号的故障类型;经实验验证,与BP神经网络、支持向量机等方法相比,所提出的故障诊断方法不仅诊断准确率高,而且耗时少,说明该方法有效性。

聚合经验模态分解和基于变量预测模型的模式识别的结合是一种有效的机械故障诊断方法。针对该方法在高速列车故障诊断时存在小样本方法不适用和识别率较低等不足,首先采用滑窗逐步回归法对基于变量预测模型进行了适应性改进,再利用样本间的关联性和连续性,将相邻样本纳入模式识别,并进行样本平滑性处理,从而有效提高了故障诊断识别率。实验分析结果表明,改进方法降低了对样本量的需求,故障识别率提高了20%以上。