针对扭力冲击钻滚动轴承易多发故障问题提出了一种改进支持向量机的故障特征提取方法,并结合多维时态关联规则来判断轴承是否出现故障。主要借助抽样算法来形成向量集合,并且在此基础上提升识别效率,找到异常信号,并且对其来源进行判定,通过多维时态关联规则找出异常信号与故障类别之间的关系。通过不平衡转子动力学模型与搭建实验平台试验验证关联规则的准确性和可靠性,再根据各信号的实时状态通过已建立的时态关联规则实时预测下一时间段的信号状态,从而达到实时预测的目的。实验表明,本故障诊断预测方法有效,能够识别和预测滚动轴承的90%的故障。

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解(Improved Symplectic Geometry Modal Decomposition,ISGMD)滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量(Cluster Symplectic Geometry Component,CSGC)并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。

针对制冷机组故障诊断中特征多、诊断准确率低的特点,提出一种复合诊断模型,利用遗传算法搜索特征空间,与带参数优化的支持矢量机（Support vector machine,SVM）结合,同时进行故障特征提取和模型训练。用该模型研究7种典型的制冷机组故障,从64个原始特征中筛选出8个与试验辅助系统关系甚微、均十分靠近核心制冷循环的特征,作为故障指示特征,总体诊断准确率从96.95%提高到99.53%,测试时间下降70%以上。用命中率和虚警率评价模型对各故障的诊断性能,所提复合模型除个别故障外,均优于无特征提取及带主元分析特征提取的SVM模型。复合模型在制冷机组故障诊断中有良好的应用前景。

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解(VMD)和分数阶希尔伯特变换(FHT)的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果。

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明:这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。

机械设备在运行时,其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时,常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此,提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式,将多个信号在相同的频率尺度分解为相同数量的固有模态函数(IMF)之和,每一个IMF都是一个调频调幅信号。为验证所提方法的有效性,将所提方法应用于多传感器采集的轴承故障信号分

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性，提出一种谱峭度和Void—kalman阶比跟踪（Void．kalman Filter Based Order Tracking．VKF—OT）相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率。获得随转速变化的阶比信号，通过阶比信号复包络直接求两种频率分量的幅值、相位，经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度，以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征。最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述，运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。

针对随机噪声和虚假分量影响总体平均经验模态分解（EEMD）分解质量问题提出基于奇异值分解（SVD）和第二代小波变换（SGWT）联合降噪预处理和本征模态分量（IMF）能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换利用SVD对SGWT得到的高频系数进行降噪处理克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明SVD和SGWT联合降噪故障信号信噪比显著提高且失真度小抑制了噪声对EEMD分解精度的干扰能量熵增量能有效地去除虚假IMFHilbert谱中各频率成分清晰不混叠成功提取了液压系统故障特征频率。