针对柔性薄壁轴承故障特征频率提取的问题,提出了主成分分析(PCA)与多点最优调整的最小熵解卷积(MOMEDA)相结合的特征频率提取算法。算法中用PCA对原始信号作降噪处理,获得重构信号,利用多点峭度(MKurt)提取重构信号中的周期性冲击信号的周期,对理论周期进行修正,进而得到精确的解卷积周期,通过MOMEDA对重构信号进行增强,突出其周期性冲击,可以更有效地提取特征频率。将此方法应用到柔性薄壁轴承的故障特征频率提取上,并与最大相关峭度解卷积(MCKD)算法作对比。结果表明,该方法可将轴承故障冲击与因轴承长短轴交替而产生的周期性冲击分离,消除这种正常的周期性冲击的干扰,有效提取信号中的故障特征频率,效果优于最大相关峭度解卷积算法。

由于微型电机体积小,其振动信号无法用常规的加速度传感器进行采集,且对微型电机的故障诊断不需要诊断出其具体故障类型,只需要判断故障是否存在,因此,微型电机故障检测初期通常采用噪声检测的方式。采用这种检测方式,提出一种基于声音信号的微型电机故障诊断方法。针对声音信号信噪比大、易受环境影响的特点,运用最大相关峭度解卷积-小波阈值降噪的方法,对声音信号中的周期性冲击成分进行增强并滤除环境噪声。采用希尔伯特变换得到信号的包络线和包络谱。根据包络线的形状和包络谱峰值对应的频率进行判断,实现了对微型电机故障的诊断。

针对柔性薄壁轴承在发生故障时产生的非平稳、非线性信号,采用希尔伯特-黄变换方法对其进行分析,同时针对噪声信号会污染整个希尔伯特谱的问题,提出基于SVR谱的PCA降噪算法。通过仿真分析和柔性薄壁轴承故障实验,从轴承内、外圈故障仿真信号和实际信号的希尔伯特谱中,均能够得出外圈故障信号频率的变化率为轴承转频的两倍、而内圈故障信号频率的变化率与轴承转频一致的结论。该结论可为工程实际应用提供理论指导。

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明:随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法。

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。

考虑油膜惯性与温黏效应,根据瓦块受力平衡方程,运动微分方程等,建立了挠性支承可倾瓦轴承动力学模型;提出一种挠性支承可倾瓦轴承的静平衡位置迭代计算方法,即基于PDE工具箱快速求解轴承非定常工况Reynolds方程及二维能量方程,采用Newton-Raphson迭代法可计算得到轴颈、瓦块静平衡位置。仿真结果与试验数据进行对比分析,验证了该动力学模型及仿真计算方法。

通过研究主成分分析（principal component analysis,简称PCA）中有效特征值与信号频率和幅值之间的关系,发现有效特征值的数量是由原始信号中频率成分的个数决定,与幅值、频率和相位的大小无关。信号中每个频率产生两个有效的特征值,且幅值决定协方差矩阵C的特征值在其分布图中的排列顺序。提出了一种基于PCA的特征频率提取算法,该算法可实现对单个或多个特征频率的准确提取。将此方法应用于大型转子系统轴心轨迹的提纯上,效果优于谐波小波和小波包算法。

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。

矩阵结构对奇异值分解的信号处理效果有重要影响,改变传统算法中矩阵结构固定的思想,提出在奇异值分解中采用变化的矩阵结构,每分解一次,矩阵结构就改变一次,以适应信号中不同的周期性分量.每次的分解都将上一层的信号分解为主、副两个分量,提取副分量,而对主分量再次进行变矩阵结构的奇异值分解,如此反复进行,最终将原始信号分解为一系列主、副分量.信号处理实例表明,这一方法具有良好的信号分离效果,能够实现信号中不同周期性分量的有效分离。

通过小波包分析方法，对叶片泵入口压力脉动信号进行了信号分析处理，获得了初生汽蚀信号的各尺度频谱和能量特征值。试验测试信号分析结果表明：汽蚀初生信号尺度能量特征值可作为初生汽蚀状态进行定量识别的判据。