提出了一种基于全矢谱的CEEMD故障诊断方法。CEEMD是为了在保证所得到的分解与EEMD有相当的分解效果的前提下,还要有效的抑制由白噪声引起的重构误差。具体做法主要是在分别进行EMD分解之前把两对相反的白噪声信号加入到原始信号中。此外,CEEMD对比EEMD,筛选迭代次数大大的减少了,进而使计算成本得到了有效的降低。根据分解得到的IMF分量的频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于CEEMD的全矢谱,进而进行故障诊断。由实验结果证明,经过该方法提取的故障特征更全面、精确。

为了提高分形维数提取碰摩故障特征的区分度和稳定性,提出了一种基于改进谐波小波和分形的算法。采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数计算分形维数。在Bently转子实验台上分别采集正常工况、单点碰摩、不平衡激励的碰摩三种数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性相比原始信号以及谐波小波处理信号高29.17%、14.81%以上。结果表明,改进谐波小波和分形能够更准确稳定得诊断碰摩故障信息,优于传统的关联维数算法。

轴承缺陷检测与损伤程度检测一直是旋转机械领域内非常重视的问题,虽然目前针对振动信号的研究已经取得相当好的结果,但是对于难以安装振动传感器的情况,诊断效果仍需改进。针对强背景噪声下故障轴承产生的声音,提出一种基于递归Hilbert变换和一维卷积神经网络的诊断方法来提取抽象特征并进行模式识别。卷积神经网络结构中引入了全局平均池化层来加速网络的运行。最后,通过数据集验证了所提方法的有效性,与其他常用分类方法进行对比,验证了该方法的优越性。结果表明:所提算法不仅能够准确识别轴承的损伤部位,而且能够准确区分部件的损伤程度。

针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解（SVD）和局部均值分解（LMD）相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机（SVM）中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。

以圆柱齿轮为对象,提出了基于双谱图像的机械故障嵌入式诊断方法.首先,通过小波包阈值去噪、小波包重构、双谱分析生成故障信号的双谱图,并通第一类灰度矩来表征双谱图特征.这些特征统计量,作为BP神经网络模式识别算法的输入特征向量,从而对这些特征集合进行分类,识别出相应的齿轮故障类型.实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性.以OpenCV库编写的代码移植到嵌入式系统简单易行,开发效率高,程序运行可靠.

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.