当齿轮箱中的多个轴承同时发生故障时,由于各故障源之间的相互耦合效应,常规盲提取方法难以对其进行有效特征提取。为解决上述问题,提出一种基于稀疏表征自学习字典理论的盲提取方法。首先,将稀疏表征自学习字典方法用于滚动轴承多故障信号分析,得到一系列自学习字典集;然后,利用学习到的字典集重构滚动轴承多故障信号以消除噪声及干扰信号;最后,将盲提取方法用于重构后的滚动轴承复合故障信号,抽取出滚动轴承各单一故障信号,再逐一对单一故障信号进行包络解调分析,以获取相应的故障特征。通过实验,对所述方法的可行性及有效性进行了验证。

针对卫星这类复杂系统多故障诊断的难题，研究了一种基于动态观测器的多故障诊断方法。该方法通过改变动态观测器的结构，使之对某一故障具有鲁棒性，从而简化了设计一族观测器的复杂性。给出了动态观测器的设计方法和多故障诊断策略，并在某卫星姿控系统中进行了仿真应用。仿真结果表明，适用于复杂系统的多故障诊断与分离，并可实现诊断的实时性。

针对现有研究液压系统单一故障较多而复杂多故障较少的情况,结合液压系统实际采集的数据往往具有多采样率的特点,提出一种多通道卷积神经网络模型,将不同采样频率下的传感器数据分别作为一个通道输入,利用卷积神经网络自动进行提取特征,全连接层将提取的多传感器特征信息进行融合,实现液压系统的混合多故障诊断。利用多级评价指标将提出的多通道卷积神经网络模型与传统的单通道卷积神经网络算法对比,结果表明,相较于单通道卷积神经网络不能很好地识别液压系统多故障发生时的液压泵和蓄能器故障,提出的算法模型诊断准确率达到了99%,并且具有很好的鲁棒性。