压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(Spatio-Temporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。

针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性。结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征。

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。

针对往复压缩机气阀振动信号非线性及非平稳性特征,提出一种基于灰狼算法优化平滑先验分析(SPA),并结合多尺度样本熵的往复压缩机气阀故障特征提取方法。以多尺度样本熵均值和偏度的平方作为适应度函数,利用灰狼算法对SPA的参数λ进行寻优,将寻优后的参数λ代入SPA中对往复压缩机气阀处振动加速度信号进行自适应分解,得到信号的趋势项和去趋势项;然后分别求取去趋势项数据的多尺度样本熵均值和偏度的平方,以此作为往复压缩机气阀信号的特征向量输入支持向量机中进行训练与测试。实验结果表明,该方法可以有效提取往复压缩机气阀的故障特征。

双谱分析能够有效地抑制信号中的高斯噪声,准确地分析信号中存在的二次相位耦合成分.但是,传统的双谱分析方法对于转子全周碰摩故障,尤其是早期碰摩故障,存在丢失信息的问题,无法区分正常转子与碰摩转子,诊断能力较弱.为此,基于双通道矢量谱的概念,提出了双谱能量法,并应用于碰摩转子故障的特征提取.实验结果表明,基于双谱能量的碰摩故障特征提取方法继承了双谱的优良特性,能够更加全面、准确地判别早期碰摩故障,是处理碰摩转子非线性信息的一种有效方法.

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。

[目的]针对滚动轴承故障信号非线性、非平稳特征导致的故障特征频率难以提取的问题,提出了一种基于改进的带有自适应白噪声的完全集合经验模态分解(ICEEMDAN)和小波阈值降噪的滚动轴承故障特征提取方法。[方法]首先用小波阈值降噪对故障信号进行预处理,然后利用ICEEMDAN对降噪后的信号进行模态分解,产生一系列的固有模态函数(IMF),并根据互相关系数法提取与原信号相关的模态分量,作各层模态分量的包络谱图,提取滚动轴承的故障特征频率。[结果]通过仿真试验与滚动轴承故障试验分析,并将其与集合经验模态分解(EEMD)处理的进行比较,基于ICEEMDAN方法分解后的包络谱幅值更加明显。[结论]本研究提出的方法能精确地提取滚动轴承的故障特征频率。

针对故障早期状态信号的微弱与包含脉冲突变成分对故障信号采集、去噪、预测等带来的极大挑战，分析了Morlet小波变换的滤波特性及其时频分辨率，提出了基于参数优化的Morlet小波变化的故障特征提取办法。利用最小Shannon熵方法和奇异值分解的周期检测方法分别对Morlet小波的形状参数口和尺度因子Ⅱ进行优化。最终选择了最优Morlet小波作为滤波内核，对轴承早期状态进行震动检测与分析，从而完成对数控机床主轴轴承的早期状态监测与故障预测。仿真试验和实际应用的结果表明，实际f=232．7Hz，接近故障通过频235．6Hz，推测轴承外圈出现性能下降，完成故障预测。该研究有助于对机械突变故障信号的微弱信号检测和提取，对数控装备的故障诊断、预测及未来故障注入，BIT有重要研究意义。

针对最小解熵解卷积（ Minimum entropy deconvolution, MED）算法易受强噪声和野值的影响，引出了最大相关峭度解卷积（ Maximum correlated kurtosis deconvolution, MCKD） 的齿轮箱故障特征提取方法，克服了MED算法的不足。然而凭先验信息选取的故障周期，可能导致MCKD解卷积效果很差，因此提出了MCKD算法的最佳故障周期搜索思路，即在合适的滤波器阶数￡下，最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内，使不同步距肘关于最佳周期的最大相关峭度达到全局最优，以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。

鉴于目前主流齿轮裂纹故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑输入对于故障特征提取的作用),并考虑到其作为一种典型非线性系统所蕴含的动态特性,将Volterra级数理论应用于不同状态齿轮啮合传动系统,以充分发挥Volterra级数能够综合利用系统输入、输出数据进行系统非线性特性描述的优势;同时考虑到QPSO算法较高的全局搜索能力,采用该算法对齿轮啮合传动系统Volterra模型进行了时域核辨识。仿真实验结果表明,高阶时域核对于齿轮裂纹故障所引起的系统非线性特性变化非常敏感,可以有效地表征并区分出不同状态下齿轮啮合传动系统的非线性动态特性,达到了预期目的。