长跑运动员训练用的跑步机发生故障,会导致使用者受伤,甚至出现生命危险,为此提出长跑训练的跑步机故障信号特征提取方法。分析体育训练跑步机的结构,利用小波包准确分解跑步机信号的高频段信息,分析脉冲信号时间间隔变化和相位变化,提取时域特征得到正常脉冲以及故障脉冲信号间差异。通过小波包分解对应输出信号,重构某尺度内所有频带系数,即可构成全新的时间序列,实现提取故障信号特征。实验证明所提方法能够有效区分正常信号与故障信号,提取的故障信号脉冲波动非常明显。

将近期发展的局域波法和近似熵法相结合应用于声发射信号的特征提取中．首先，将声发射信号进行局域波分解，得到自适应的基本模式分量；然后对各基本模式分量计算近似熵，描述各基本模式分量的复杂程度，监测声发射信号的发生和发展，量化声发射信号的特征．通过预制裂纹钢管静载实验，分析计算了钢管裂纹声发射信号的各基本模式分量的近似熵，表明局域波法与近似熵相结合的方法可以有效地提取声发射信号的特征，从而为声发射信号特征提取提供了一种新方法．

由于轴承在发生故障的时候会产生非线性震动,本文使用一种新的非线性动力学方法-样本熵来对信号进行处理,提取特征量,并通过神经网络进行故障的分类预测,试验效果良好。

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明:近似熵结合支持向量机方法具有更高的诊断精度。

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分

针对模拟电路故障信号的非线性和非平稳性,提出了用局域均值分解(Local mean decomposition,LMD)和近似熵算法对模拟电路进行特征提取的方法。利用LMD算法把电路故障信号分解为一系列乘积函数(Product functions,PF),再选取前3个PF分量,求它们的近似熵,作为故障的特征向量。电路发生不同故障时,其输出响应信号的复杂度不同,经LMD分解后的PF分量的复杂度就更不相同,而近似熵可以表征时间序列的复杂度,故用LMD加近似熵可以有效提取故障电路的信息。在对故障进行分类判别时,使用核Fisher判别分析,得出各故障的诊断精度。仿真结果显示,本文的特征提取方法在改善故障电路特征的同时提高了诊断准确度,平均分类精度为97.86%。

针对航空发动机中介轴承振动信号故障微弱，故障特征难提取的问题，提出了基于固有时间尺度分解（ITD）和近似熵（AE）结合随机森林（RF）的航空发动机中介轴承故障诊断方法。首先，利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号；然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量（PR），计算其近似熵；最后，将不同尺度的近似熵值作为特征向量，输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明，该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征，故障诊断准确率高，具有工程实用性。