针对局部均值分解(LMD)得到的PF分量对于分类方法的输入而言过大,提出了一种基于局部均值分解(LMD)-奇异值分解(SVD)和极限学习机(ELM)的故障诊断方法。首先,通过LMD将非线性非平稳的原始振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类。试验结果表明,该方法能有效的对风机轴承在变工况条件下进行自适应诊断。

为了能够更好的保持液压泵轴承振动信号的峰形,解决软阈值函数存在的恒定偏差和硬阈值函数存在间断点的问题,引进了一种最小二乘支持向量机(LS-SVM)与小波指数阈值结合的振动信号降噪方法。首先对液压泵的机械轴承振动信号进行小波阈值分解,进而采用LS-SVM方法将小波系数分为与噪声相关的及与噪声无关的小波系数,采用小波指数阈值函数将与噪声相关的小波系数滤除,将处理后的信号重组,提取微弱的振动信号特征。不仅实现了振动信号的降噪,也利于轴承的故障诊断。

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明:该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。