同一监测点的多源通道信号可以为精准故障诊断提供更全面的特征信息,然而多源特征的有效融合仍然具有挑战性。为解决此问题,耦合隐马尔科夫(CHMM)被用来有效融合双通道信息的循环平稳特征,即用快速谱相关(FSC)提取特征,从而为提高滚动轴承智能诊断正确率提供有效多源融合特征向量支撑。FSC分析方法用于滚动轴承同源双通道振动信号的特征提取;参数优化选取后的CHMM对双通道同源特征进行融合,实现滚动轴承的智能诊断。通过滚动轴承常规故障实验和全寿命加速疲劳实验,验证了所述方法不仅能用于滚动轴承故障的智能分类,而且还能用于滚动轴承的有效性能退化评估。此外,通过对比研究验证了所述方法的优越性。

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用