针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积(MCKD)和变分模态分解(VMD)进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。

基于当前X射线管运行状态难以判断的问题,提出一种基于改进时频分析的X射线管无损检测技术。首先采用加速传感器采集X射线管特征信号,利用LabVIEW软件去除没有关联的信号,利用改进的时域分析方法获取X射线管信号的不同类别特征。然后根据X射线管特征信号数据源的不同,利用监控节点对其展开规则匹配,完成X射线管信号类别特征的分类识别,实现无损检测。实验结果表明该技术可清晰分析出X射线管旋转阳极信号在整个周期内的频率波动变化情况,峭度值可感应幅值的波动变化,准确反映异常信号结果,在精度高于94%的情况下完成X射线管无损检测。

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度(或峭度绝对值,或峭度平方值)的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明:所提方法能够有效提取液压泵故障信号中的特征信息。

研究了随机振动下包装件加速度响应的频域和时域特征,讨论了包装件跳动及缓冲材料非线性对包装件加速度响应的影响。结果表明高斯激励下,包装件的跳动是引起包装件加速度响应非高斯性的主要原因。无约束条件下,包装件出现明显跳动,加速度响应概率密度分布呈现非高斯分布;在弹性和固定约束条件下,包装件跳动受到限制,当振动强度较大时,加速度响应分布与高斯分布有一定程度的偏离,在振动强度较小时,加速度响应分布符合高斯分布。

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。

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。

在变分模态分解（Variational mode decomposition,VMD）中,因为分解层数k值属于自定义变量,所以在取值时分解结果会随着k值的变化而得到不同的结果,k值的取值直接影响着结果的准确性,k值取得过大或者过小都会对结果造成影响。基于以上问题,提出了一种利用峭度确定k值的方法。选取k值为2~n的整数,计算当k值为2~n时,每一个k值相关系数最大分量的峭度,并绘制峭度的变化曲线,若在该曲线内峭度没有峰值且单调递增,则继续计算当k为n＋1时相关系数最大分量的峭度值,重复以上步骤,以峭度最大作为优化的标准,当峭度最大的时候,k为最佳值。用实际故障信号验证了方法的可行性,为VMD方法的研究提出了一种新的思路。

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。

在机械设备盲信号处理和故障诊断中,信号的非高斯性至关重要,而峭度是非高斯性的自然度量指标,它反映了机械信号信息的动态变化特征。基于此提出了基于峭度的ICA特征提取和故障诊断方法,首先提取机械设备多通道观测信号的峭度值（或标准峭度,或峭度绝对值,或峭度平方）,并依据观测通道顺序将峭度值组成低维ICA特征向量,进而利用最小二乘支持向量机进行机械设备的模式判别和故障诊断。试验表明：该方法的故障识别率基本上达到80%以上,而且相比标准峭度和峭度平方准则,基于峭度绝对值准则方法的模式识别率更高。