针对变分模态分解模型中分解层数与本征模态分量选择困难,进而影响齿轮故障诊断结果的问题,提出采用计算本征模态分量包络峭度优化分解层数、通过频带熵选择有效的本征模态分量的方法,并对所选择的本征模态分量进行包络谱分析,提取特征频率。通过与齿轮故障频率对比,完成对齿轮的故障诊断。将提出的齿轮故障诊断模型应用于模拟信号与高强度钢齿轮实测信号中,能够精准提取信号中的特征频率,从而实现故障诊断。

旋转机械设备发生滚动轴承故障的早期,受环境噪声影响,故障特征轻微.为了有效提取滚动轴承的故障信号冲击特征,以时频分析为基础,结合信息熵理论,提出一种频带多尺度复合模糊熵的故障诊断方法.与模糊熵相比,基于方差的频带多尺度复合模糊熵可以定量地表征非平稳信号的数据信息,抗干扰性强,更好地反映出不同频带分量在时间轴上的变化特性.引入自适应带通滤波器,成功实现对微弱故障的特征提取和故障识别.仿真分析和实验结果表明,提出的方法较传统滤波方法在降噪抑制方面效果更好,能够快速识别滚动轴承的冲击特征.

针对在奇异值分解(Singular Value Decomposition,SVD)中,随机噪声对各阶的贡献几乎相等,导致单一SVD降噪效果不理想的问题,提出了基于SVD和频带熵(Frequency Band Entropy,FBE)相结合的轴承故障特征提取方法。针对基于FBE的带通滤波器的阶数和带宽需经验确定的问题,提出了基于信息熵最小值原则的参数优化方法。首先,对原始振动信号在相空间重构Hankel矩阵并利用SVD进行降噪处理,采用奇异值相对变化率来确定模型的阶次;然后,对降噪后的信号进行基于FBE的带通滤波,并采用基于信息熵最小值原则的优化方法确定带通滤波器的阶数和带宽。最后,对滤波信号进行包络谱分析,提取轴承故障特征频率,并用峭度指标证明了带通滤波器的有效性。通过数值仿真和实际轴承故障数据分析,证明了该方法提取轴承故障特征频率的有效性。