针对滚动轴承故障特征难以提取和故障特征分类困难的问题,提出了一种基于多尺度模糊熵(MFE)与改进层次原型分类器(IHP)的故障诊断方法。首先,利用多尺度模糊熵从滚动轴承不同状态下的振动信号中提取20种故障特征。其次,引入线性判别分析(LDA)对Hierarchical Prototype进行改进,从而提高故障分类精度。最后,结合多尺度模糊熵与改进层次原型分类器对故障特征进行分类。实验证明,提出的MFE与IHP能有效提取滚动轴承的故障特征,并实现高精度分类。相比于其他故障识别分类器,所提方法有更高的识别精度,分类精度达到了99.29%。

强噪环境下,齿轮箱复合故障中的微弱故障特征难以提取,因此提出了基于多点最优最小熵反褶积（MOMEDA）的复合故障提取方法。首先对最小熵反褶积（MED）和最大相关峭度反褶积（MCKD）两种方法进行改进,以多点峭度最大值为目标,对信噪比不同的仿真信号,通过设置合理的周期区间逐个追踪复合故障的周期成分,验证了此方法降噪性能;然后将MED-MOMEDA应用风电齿轮箱复合故障实验台中,成功提取出复合故障特征;最后用文中所提方法与EEMD对比分析进一步验证了此方法的可行性。

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引人到局部均值分解(localmean decomposition,简称LMD)分解中,提出了一种基于EMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于EMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引人了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。

在变分模态分解（Variational mode decomposition,VMD）中,因为分解层数k值属于自定义变量,所以在取值时分解结果会随着k值的变化而得到不同的结果,k值的取值直接影响着结果的准确性,k值取得过大或者过小都会对结果造成影响。基于以上问题,提出了一种利用峭度确定k值的方法。选取k值为2~n的整数,计算当k值为2~n时,每一个k值相关系数最大分量的峭度,并绘制峭度的变化曲线,若在该曲线内峭度没有峰值且单调递增,则继续计算当k为n＋1时相关系数最大分量的峭度值,重复以上步骤,以峭度最大作为优化的标准,当峭度最大的时候,k为最佳值。用实际故障信号验证了方法的可行性,为VMD方法的研究提出了一种新的思路。