为研究某型水下气动发射装置的振动特性,对发射管的径向加速度信号进行了短时Fourier变换分析,结合内弹道过程发现:发射管的径向加速度振动信号主要由两个时频区组成。时频区1为发射管充压、密封片剪断和弹药刚开始运动的内弹道阶段,该部分信号主振频率在1 400 Hz附近,高频成分一直延伸至约5 000 Hz,信号持续时间约0.038 s。时频区2为弹药已出管、发射管泄压阶段,该部分信号持续时间为0.016 s,主振频率在1 100 Hz附近。对加速度信号进行小波包能量谱分析,结果表明:时频区1信号能量占发射过程总能量的79%,时频区2能量占总能量的10%。因此,时频区1振动为整个发射振动信号的主要成分。

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。

针对经验模式分解(EMD)分析强非平稳振动信号时包络线出现的过包络与欠包络问题,提出一种复合插值包络经验模式分解方法(CIEEMD)。该方法在定义信号非平稳系数及包络线端点衔接方法的基础上,使用单调分段三次Hermite插值(MPCHI)构造局部强非平稳信号包络,三次样条插值(CSI)构造局部平稳信号包络,形成复合插值包络线进而提高EMD分解精度。利用仿真信号分析验证了CIEEMD对强非平稳信号的适用性。以往复压缩机轴承间隙过大故障为研究对象,CIEEMD不仅分解性能优越,且包络谱的故障频率更为显著。

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。

结合神经网络和支持向量机的优点，针对实际应用的不同阶段，提出了一套基于神经网络和支持向量机的复合故障诊断技术。该技术不但可以融入新的故障信息，而且可以使故障诊断模型始终处于最优识别状态，并以往复压缩机气缸系统常见故障的诊断为实例，验证了该技术的有效性.