传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。

掩膜信号法一定程度上削弱了信号分解结果中的模态混叠现象,其分解结果主要受到掩膜信号的幅值和掩膜频率的影响。为获得参数最优解,摒弃了传统计算获得的方法,提出了细菌觅食算法优化掩膜参数的滚动轴承故障诊断方法。首先利用参数寻优的BFA算法优化掩膜信号的幅值和掩膜频率,得到最优参数组合,利用参数优化后的掩膜信号处理故障信号得到频谱更加纯净的本征模函数,最终根据相关系数准则选取最佳分量进行频谱分析。实验结果表明优化参数后掩膜信号处理下的故障信号抗模态混叠能力更强,分量融合后故障特征更明显。

故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。

支持向量机（SVM）在解决小样本、非线性及高维问题方面表现突出,支持向量回归（SVR）目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归（FVSVR）频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解（MEMD）与多元多尺度熵（MMSE）的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.