基于信号局部均值分解法拓展原始机械信号的两端,优化经典局部均值分解法的端点效应,避免分解后原始信号失真。阐述了旋转机械故障诊断的基本流程,引入Fast ICA(快速独立分析因子)联合降噪,并基于能量系数和偏度系数构建特征向量,用相关系数增强分量包络谱的可靠性,提高了故障诊断与识别的准确率。实验结果表明,提出的故障诊断方法的诊断准确率在特征识别与模式识别下均较高,同时可以将均方误差值控制在一个较低的水平。

针对齿轮振动信号具有高噪声的特点,将卡尔曼滤波（Kalman filtering）引进齿轮故障诊断中,提出基于卡尔曼滤波的局部齿轮故障诊断的方法。采用卡尔曼滤波对加速度信号进行降噪处理,再利用局部均值分解将振动信号自适应地分解为若干个单分量信号,从而提取出齿轮故障特征。与只进行局部均值分解获得故障特征的方法对比,采用卡尔曼滤波降噪后提取出的故障特征更具有准确性。