谱减法及其各种改进是语音增强的常用方法,但在船舶工作环境中,各种设备巨大而又持续的干扰噪声影响了语音信号段的正确检测,从而导致谱减法失效,为此,在分析语音信号与船舶背景噪声信号序列复杂性基础上,提出基于信号序列样本熵的语音信号检测算法,算法将含噪信号进行分帧后首先计算每帧信号的样本熵,并根据自适应预设阈值对信号进行初始判断,然后利用信号通常持续一定时间的连续性,对信号初始判断进行平滑,得到信号的最终判别类别,在语音信号段正确检测基础上,采用谱减法进行停驶噪语音增强。经过实测实验数据的验证,环境噪声信号的辨别准确度为90.33%,语音信号为95.05%,算法取得了较好的判别精度。

为了提高机械加工过程中滚动轴承故障诊断准确度,提出了基于新的解析能量算子的轴承故障诊断方法。在分析Teager能量算子缺陷基础上,提出了新的能量算子,命名为解析能量算子;解析能量算子无需满足Teager能量算子的使用条件,且能够更好地跟踪故障信号的冲击瞬态特征;使用EMD算法分解原始振动信号,给出了多指标融合的IMF分量筛选方法;对筛选出的IMF分量,计算其解析能量谱样本熵作为特征参数;在分析二叉树SVM缺点基础上,建立了投票法SVM多分类器;经试验验证,基于Teager能量谱样本熵的故障诊断准确率为78%,而基于解析能量谱样本熵的故障诊断准确率为100%,充分证明了解析能量算子在轴承故障诊断中的有效性。

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。

针对轴承早期微弱故障的预测问题,提出将样本熵和变分模态分解法结合的方法。首先计算主轴轴承振动信号的样本熵值,构成轴承健康状态时间序列;其次K从2~10分别取值,对轴承健康状态时间序列进行变分模态分解,得到不同的IMF分量,分别将不同K值分解下低频分量作为轴承振动信号的趋势项;最后根据互相关性、峭度、方差准则,找到最优的轴承振动信号的趋势项,并与已有指标对比。实例验证将样本熵和变分模态分解法结合,提取轴承振动信号的趋势项,能够更早地预测出轴承早期微弱故障。

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解(EMD)算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明:所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度。

为对行星齿轮进行故障诊断,采用自适应噪声完备总体经验模态分解(CEEMDAN)方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算,优选出与原始信号相关性较大的前4阶分量进行样本熵计算,得到特征值,构成特征向量。将特征向量输入到概率神经网络系统中进行诊断,且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明:利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性,故障诊断的正确率高。

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法（Improve Intrinsic Timescale Decomposition,简称IITD）方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明：相比BP神经网络,能更有效地应用于齿轮的故障诊断。

针对滚动轴承的故障诊断问题,提出一种基于迭代希尔伯特变换（Iterative Hilbert Transform,IHT）与切片双谱相结合的滚动轴承故障诊断方法。基于IHT方法对原始的振动信号进行了分解,得到若干个含有故障特征信息的幅值包络分量,并对每个幅值包络分量的切片双谱进行计算,由二次相位耦合产生的非线性特征提取出滚动轴承故障的特征频率信息。仿真信号分析结果表明,该方法可有效抑制噪声对IHT方法的影响,诊断效果良好,证明了该方法的有效性。