通过对硅微陀螺实测数据的分析与预处理,得到了平稳正态零均值的时间序列。在时间序列分析的基础上,通过对比AR模型各参数,利用fpe准则确定了AR（1）模型,并以AR（1）模型的输出进行kalman滤波,从而降低随机过程噪声对陀螺仪精度的影响。实验结果表明,kalman滤波可有效提高硅微陀螺的精度。

针对轴承的工况复杂，其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息，提出了基于局部切空间排列算法（LTSA）与核熵成份分析（KECA）相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间，并估计数据的本征维数；然后利用局部切空间排列算法对数据集进行维数约简，得到初始的低维流形结构特征向量空间的第一行特征，对其进行快速傅里叶变换（FFT），从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量；最后采用KECA对滚动轴承的故障特征向量进行模式识别，KECA可实现根据熵值大小进行特征分类，具有较强的非线性处理能力，从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实...

作为一种非线性信号处理方法,数学形态学法对信号的特征提取完全在时域中进行,与其他非线性非平稳的信号处理方法相比,它具有幅值不偏移、不衰减等显著优点.基于此,提出一种自适应的数学形态学和谱相关分析相结合的轴承故障诊断方法.该方法通过基于信号的三角结构元素和非单一形态学开闭运算对已知故障信号加以训练,自适应得到各故障类型的结构元素高和最优开闭运算加权因子,构建形态学模型;之后将测试信号通过形态学模型进行特征提取,并与训练信号进行频域内相关性分析;最终根据相关系数大小识别故障.以西储大学轴承故障数据为例,表明了该方法不仅能识别出不同类型的故障,而且还能识别不同损伤等级的故障,相比传统的方法识别率和可靠性有所提高.