针对随机共振（Stochastic resonance,SR）在处理轴承故障信号时需要满足小参数（信号频率、幅值、噪声强度远小于1）这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解（Ensemble local mean decomposition,ELMD）的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法（Genetic algorithm,GA）对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解（Ensemble Local Mean Decomposition,ELMD）与最大相关峭度卷积（Maximum Correlated Kurtosis Deconvolution,MCKD）的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数（PF）;然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。

通过对鼓形齿啮合传动基本原理的研究，确定了鼓形齿基本几何参数，计算出鼓形齿啮合需要的侧隙值，以满足正常啮合传动。