针对由于撞刀事故引起的精密车床主轴精度下降问题,首先通过主轴振动信号监测,获取故障主轴振动信号频域特征;然后基于主轴结构和轴承特征参数,计算不同故障模式下轴承故障特征频率;最后基于故障特征频率与监测振动信号频率之间的对应关系,定位主轴故障位置。通过主轴拆卸和精度测试,验证了所提故障定位方法的有效性。实验结果表明:角接触球轴承内、外圈损伤是导致主轴精度下降的故障源,理论方法故障定位结果与拆卸实验定位结果一致;采用新轴承重装配后主轴的精度检测结果恢复正常,进一步验证了此故障定位方法的有效性。

强噪环境下,齿轮箱复合故障中的微弱故障特征难以提取,因此提出了基于多点最优最小熵反褶积（MOMEDA）的复合故障提取方法。首先对最小熵反褶积（MED）和最大相关峭度反褶积（MCKD）两种方法进行改进,以多点峭度最大值为目标,对信噪比不同的仿真信号,通过设置合理的周期区间逐个追踪复合故障的周期成分,验证了此方法降噪性能;然后将MED-MOMEDA应用风电齿轮箱复合故障实验台中,成功提取出复合故障特征;最后用文中所提方法与EEMD对比分析进一步验证了此方法的可行性。

为更精确地研究轴承故障机理,放弃了传统球匀速公转的假设前提,考虑了球与沟道间的相对滑动作用和润滑牵引作用,以Gupta模型为基础建立了单点损伤及复合故障轴承的动力学模型,探索了单点损伤及复合故障对轴承内部接触载荷及轴承振动特性的影响规律,为滚动轴承故障诊断奠定了基础。

强噪环境下,复合故障特征提取难度更大,VMD(Variational Mode Decomposition)被大量应用于齿轮箱故障诊断中;但是它属于参数型分解方法,K过大或过小都会导致过分解或欠分解现象,因此分解的层数需要自适应的确定。提出了一种多点峭度和VMD的复合故障特征提取方法。考虑到多点峭度可以提取多故障的冲击性周期的个数;周期性冲击个数决定VMD的分解层数K,通过VMD处理后,进一步通过FFT确定故障特征。所提出的自适应复合故障特征提取方法和EEMD(En?semble Empirical Mode Decomposition)对比分析,验证了它可以克服模态混叠的特征,通过对实测性信号处理进一步确定了此方法的有效性。最终确定了齿轮剥落和轴承滚珠等复合故障特征。

为提高齿轮箱故障诊断的准确性,探寻诊断复合故障的方法,利用混合蛙跳算法优化BP神经网络的参数,构建SFLA-BP算法模型,在一定程度上弥补BP神经网络算法的缺陷。对比发现,该诊断方法具有较高的稳定性和较强的诊断能力,表现出很好的适用性,特别是在诊断复合故障方面具有一定潜力。

针对旋转机械复合故障的不确定性和模糊性,在蚁群神经网络的基础上,引入并行机制改进算法.利用多线程技术增大蚁群的搜索区域,同时采用编码映射匹配法则（EMM）提高匹配效率,缩短蚁群寻路时间,加快算法收敛速率,并对BP神经网络进行优化,结合概率转化（BPA）辅助决策.计算结果表明,合成器对复合故障识别率高,与人类决策一致,对其他模拟进化算法有借鉴意义.

当机械设备多故障并发时，在每个测点测得的信号往往是多个故障信号的叠加，傅里叶变换、小波变换等传统方法都难以有效地分离故障特征。为了克服上述方法的缺陷，利用基于峭度的独立成分分析算法RobustICA对复合故障信息进行分离，提取故障特征。对4种不同信号进行随机混叠而生成的混合信号进行分离，仿真验证了RobustICA算法的有效性。最后，对轴向柱塞泵出现滑靴与斜盘磨损时的复合故障振动信号进行了分离实验，达到了良好的分离效果，证明了该方法对于液压泵复合故障振动信号进行分离的有效性。