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。

局部均值分解（LMD）可将采集的时域信号分解为多个单分量信号（PF）,全矢谱（FVS）技术可将双通道信息相互融合,防止单通道信息不完整。在此基础上,借鉴边际谱的思想,提出了一种新的解决方式—积频谱（FAS）：采集滚动轴承的同源双通道振动信号,用LMD对同源双通道的振动信号进行处理,得到双通道各个分量的瞬时幅值和调频信号,并对调频信号进行计算得到各个分量的瞬时频率,由此可求出各通道LMD的时频分布;对时频分布进行频率上的积分后,再通过傅立叶变换求出各通道的积频谱;并通过信息融合,将得到的全矢积频谱和单通道积频谱进行对比。选择有外圈故障的滚动轴承进行试验,试验结果表明,该方法是有效的。

对旋转机械进行频谱结构预测可以有效地掌握设备未来的运行状态,预判故障类型、性质,锁定故障位置。由于基于单源信息的频谱结构具有不确定性,无法进行预测研究。为保证预测结果的唯一性和准确性,将全矢谱技术引入预测模型,结合灰色GM(1,1)模型,构建全矢-GM(1,1)预测方法用于设备频谱结构预测研究。以汽轮机转子为对象,对其频谱结构进行多步预测,预测精度较高、误差可接受。实验结果表明,该方法能准确对设备频谱结构进行预测,为预知维修提供技术支持。