针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。

在对当前面板声学贡献量分析方法研究的基础上,提出了面板声功率贡献量分析方法.针对齿轮箱辐射噪声,利用有限元和边界元理论建立齿轮箱的计算模型,对其进行噪声辐射模拟计算.根据齿轮箱的面板区域划分,计算齿轮箱的面板声功率贡献量,从而确定齿轮箱辐射声功率的主要贡献区域,同时确立噪声峰值对应频率的主要贡献区域,并对齿轮箱进行结构改进与验证分析.结果表明,此方法有利于齿轮箱噪声控制的研究与实现.

薄壁件的精加工阶段,由于刀具悬伸长,工件刚度低,加工中容易发生变形进而引起颤振。因此需要可靠的标准监测加工状态,判断加工参数是否合理。首先,采集加工中包含颤振现象的声压数据,分析颤振发生时域有效值及频域功率谱的特点,对比在不同状态的特征,并以这些特征作为监测的依据;然后,在颤振发生时能量集中频段转移,通过小波包分解后构造出反映这一特征的特征量;最后,以小波变换时频图作为状态判断依据,通过离线分析设定相关阈值,设置多重标准,满足时域有效值和频域占能比阈值要求后计算特征值,判断加工状态。验证结果表明,笔者所提出的方法可以准确识别颤振现象,同时表明声压信号可以反映颤振特征。阈值设定后,即可为后续加工在线监测提供判断标准,避免因加工参数选择不合理时对工件或机床造成损害。

将Hankel矩阵与奇异值分解相结合对齿轮故障信号进行降噪处理，并应用MATLAB软件实现，来降低信号中的噪声，提高信噪比，从而凸显故障的信息特征。首先将含噪的测量信号构成的Hankel矩阵分解成两个互不相关的空间——真实信号空间与噪声空间，采用3种不同的奇异值选择方法，即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后，再重构信号，实现降低测量信号噪声的目的。利用计算数据和图像说明不同奇异值选择方法的降噪效果，得出奇异值中值方法对齿轮断齿故障信号降噪效果最佳。

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解（optimal ensemble empirical mode decomposition,简称OEEMD）与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解（ensemble empirical mode decomposition,简称EEMD）过程中两个关键参数k（加入白噪声的幅值系数）和m（集合平均次数）的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了-种基于能量的变分模式分解（variational mode decomposition, 简称VMD）模态数 k 优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足.首先,对振动信号进行VMD预分解,分别在不同 k 值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数 k 选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率.将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有-定的应用价值和实际意义.

为解决滚动轴承可靠性难以评估的问题,提出了一种基于改进Logistic回归模型（improved Logistic regression model,简称ILRM）的滚动轴承可靠性评估方法。首先,计算滚动轴承的时域、频域和时频域特征,选出有效特征组成相对高维特征集;其次,利用主元分析（principal component analysis,简称PCA）选取贡献率大于95%的主元,作为改进Logistics回归模型的协变量;最后,利用改进Logistic模型求取滚动轴承的可靠度并绘制可靠度曲线。该方法可以提取轴承退化的有效特征量;兼顾轴承的退化趋势,能够真实反映轴承的状态;消除信号随机波动对可靠度预测的影响。通过辛辛那提大学智能维护中心（intelligent maintenance systems,简称IMS）滚动轴承全寿命试验,验证了该方法的有效性。

在验证了铣削力与刀柄摆动电涡流位移信号之间存在线性关系的基础上,以机床主轴端部x,y方向的加速度信号二次频域积分结果作为刀柄摆动位移信号,提取积分位移信号的基频及其谐波信号作为监测信号,解决了电涡流位移传感器安装不便的问题,同时有效去除了干扰信号的影响。利用时域同步平均（time synchronous averaging,简称TSA）计算监测信号的一阶和二阶累积量,结合时域指标方差、偏斜度、峭度、绝对均值及有效值定量刻画累积量波形,通过设定阈值实现状态预警,较好地解决了复杂曲面加工过程中铣刀状态在线监测与预警的难题。