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。

针对变分模式分解(Variational Mode Decomposition,VMD)算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解(Generalized Variational Mode Decomposition,GVMD)算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。

发电厂汽轮机的液压系统供油动力是由齿轮泵提供的齿轮泵发生故障将会影响汽轮机的安全运行为此采用峰值法及相应的艾默生（Emerson）的CSI 2130机械状态分析仪诊断齿轮泵故障。实践表明：峰值分析法可以将细微的故障信号从众多噪声信号中分辨出来明确地判别齿轮和轴承故障迹象具有较高的准确性和可靠性。