针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。

针对由于实际工况中风电机组轴承发生故障所采得的信号会受到变速变载的影响,造成故障特征难以提取的问题,提出了基于频域能量算子(Frequency domain energy operator,FDEO)与自适应最大2阶循环平稳盲解卷积(Adaptive maximum second order cyclostationarity blind deconvolution,ACYCBD)的风电机组轴承故障特征提取方法。首先,通过SCADA数据提供的高速轴转速平均速度对CMS(Condition monitoring system)系统采集的振动信号进行感兴趣的振动成分选择,并通过窄带滤波和FDEO对振动信号进行瞬时频率估计和阶次跟踪;其次,针对风电机组振源多、振动信号复杂的特点,对通过阶次跟踪后的角度域振动信号应用改进ACYCBD完成故障特征提取。工程应用分析结果表明,该方法能够准确有效地实现风电机组轴承特征的提取而不受到其他振源的影响。

利用ENTEK公司dP1500便携式振动分析仪，对电厂4^#引风机前轴承外环和滚动体损坏故障进行了准确的诊断和妥善的处理。

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。

针对轴承故障诊断问题,提出一种融合小波去噪与HHT变换的故障特征信号提取方法。对圆柱滚子轴承的内圈故障和滚子故障进行了跑合检测试验。对采集的时域信号通过小波去噪方法进行去噪处理;采用HHT变换进行时频分析,得到一系列的本征模态函数分量;根据分析的试验结果判定轴承故障情况。试验结果表明:内圈故障和滚子故障轴承的特征信号提取值与理论计算值基本一致。

针对传统机器学习算法受输入变量限制、且易出现过学习或欠学习,提出不受输入变量限制且存在大量数据缺失时有很好保持精确性的随机森林算法对汽车轴承故障进行检测。对采集到样本数据进行滤波处理,抑制信号中噪声;利用随机森林算法对采集到的时域信号进行分类标识,确定包含故障信息的信号序列;再将信号转换到频域,利用随机森林算法对频域内信号进行检测,确定出故障频率;最后采集试验数据对所提及算法进行验证,结果表明:相比于传统的机器学习算法,随机森林算法响应速度快,且准确率高。

共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同，该方法同时参考频率和带宽两个因素，从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果受到品质因子Q、权重系数A以及拉格朗日乘子u的主观选择影响，针对此问题，将粒子群优化算法（Particle Swarm Optimization，PSO）应用到参数的选取中，通过粒子群优化算法的全局优化特点对实验参数进行自适应选取，进而实现振动信号的有效分解。将基于粒子群优化算法的共振稀疏分解应用到轴承故障信号的诊断中，证实了该方法的有效性。

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题，提出基于变分模态分解（Variational Mode Decomposition，VMD）和最小熵解卷积（Minimum Entropy Deconvolution，MED）的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解，得到多个模态分量，由于噪声的干扰，很难从各个模态分量中提取有效的故障特征信息；然后根据相关系数准则，选取与原始信号相关系数较大的模态分量进行重构，再对重构后的信号进行MED降噪处理；最后对降噪处理后的信号进行Hilbert包络解调，从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明，该方法可以有效地降低噪声的影响，精确地提取滚动轴承微弱的故障特征信息。

文中通过对动车组转向架轴承的检测排查,发现轴承早期故障,消除安全隐患。分析了故障发生的可能原因,为动车组的安全运行提供了相应的指导意见。