针对滚动轴承早期故障特征信号微弱、难以提取的特性,引入一种基于总体经验模态分解方法(CEEMDAN)和快速独立分量分析(FastICA)相结合的滚动轴承故障特征提取方法。该方法首先通过CEEMDAN和峭度、相关系数结合,完成信号的分解与重构。然后构建噪声通道,使用快速独立成分分析进行去噪分析,获得去噪信号。最后,对分离出的最佳估计信号进行包络谱分析并得到故障特征频率。该方法有效降低了噪声干扰,能够对故障特征频率进行有效识别。

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。

针对发动机敲缸故障信号非平稳性并伴随强烈环境噪声的特点,提出基于改进希尔伯特-黄变换的故障诊断方法。该方法以发动机敲缸声音故障信号为研究对象,首先采用快速独立分量分析法将环境噪声等影响诊断准确性的因素从所采信号中分离,再利用总体平均经验模态分解和希尔伯特变换求出信号希尔伯特谱和边际谱,结合时域和频域特征进行故障诊断。通过仿真实验验证了所提方法的有效性,同时,实际试验证明：通过改进希尔伯特-黄变换方法所获得的希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为该类故障的诊断提供了一种切实可行的方法。