提出了一种基于时间序列AR模型和支持向量机的故障诊断方法。首先利用AR模型对振动信号进行建模,然后将AR模型自回归系数组成的特征向量输入到支持向量机,最后支持向量机完成对不同工况的分类识别。测试系统采用LabVIEW虚拟仪器构建,并通过计算机自动完成测试和分析。实验结果表明这种基于时间序列AR模型和支持向量机的故障诊断方法是可行的。

声发射信号到达时间的信息,对于声发射事件的定位、识别以及声发射源机理分析都是非常重要的。实际应用中,常用人工读取或通过设定幅值阈值来获取信号的到达时间。针对以上常用方法的缺点,结合噪声信号的AR模型和声发射信号的AR模型,应用Akaike信息准则,实现了对声发射信号到达时间的自动识别。对实验数据的识别结果显示,该方法对信号的幅频特性变化比较敏感。在相同信噪比的情况下,该方法识别的偏差要小于阈值法。当信噪比较低时,阈值法可能会给出错误的结果,而该方法仍然能够给出较准确的结果。

通过对硅微陀螺实测数据的分析与预处理,得到了平稳正态零均值的时间序列。在时间序列分析的基础上,通过对比AR模型各参数,利用fpe准则确定了AR（1）模型,并以AR（1）模型的输出进行kalman滤波,从而降低随机过程噪声对陀螺仪精度的影响。实验结果表明,kalman滤波可有效提高硅微陀螺的精度。

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。

研制了磁流变减振器及测试系统,建立了系统的动力学自回归AR模型。通过连续系统传递函数与离散系统的时间序列AR模型的对应关系推导出了三阶系统动态响应性能参数计算公式,分析了系统的减振性能和系统的动态响应,得到了系统的最优工况。

滚动轴承在长期工作过程中存在不同程度的性能退化。如果能够识别滚动轴承的退化状态,就可以采取维修措施。针对滚动轴承性能退化评估问题,提出了一种基于振动信号自回归模型(Autoregressive model,AR)能量比和支持向量数据描述(Support vector data description,SVDD)相结合的滚动轴承性能退化评估方法。首先用AR滤波得到轴承全寿命周期内振动信号的剩余分量,计算能量比作为轴承状态的特征向量;然后利用轴承正常状态下的特征向量对SVDD进行训练,得到正常状态下的超球面。轴承全寿命周期样本特征向量与超球面之间的相对距离作为轴承性能退化定量评估指标;最后设定早期故障报警阈值。结果表明,与常见的监测指标的性能退化评估方法相比,该方法的早期故障检测能力强,对轴承各阶段性能退化状态描述更为准确。

在齿轮噪源存在的变转速滚动轴承故障诊断过程中，因混合信号中转频分量相对较小，使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征，但这种算法不能确定故障位置，而且可能会出现误判。针对这一问题，提出了基于角域自回归（auto regressive，简称AR）模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速，根据估计转速信息对原混合信号进行等角度重采样，获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点，使用AR模型对其滤波，并且对滤波后信号进行包络阶比分析，完成故障判断。通过处理仿真信号和实验信号，验证了该方法不仅能有效地去除齿轮噪声，并且可以判断轴承故障位置。

针对调速阀故障振动瞬态信号的非线性特征，将时间序列关联维和双谱应用于其故障诊断。通过采集调速阀正常和故障状态下的振动信号，计算了系统关联维并绘制AR双谱图。结果表明，该方法能全面反映系统状态。其即时软件具有设计简单和易执行性的特点，可应用于设备监测和故障诊断。

将高阶谱应用于液压系统的故障诊断,提出一种诊断调速阀故障的方法.通过实验采集调速阀工作时阀体振动的信号,建立AR模型,进行AR双谱分析.故障情况下和正常工作情况下双谱的对比差异明显,说明用高阶谱来诊断调速阀故障是可行的、有效的.

叙述了高阶谱应用于溢流阀故障诊断并提出一种诊断溢流阀故障的方法。介绍了双谱的定义进一步强调了高阶谱在提取故障信号的应用文章对采样的数据进行处理后用高阶累积量对数据建立AR模型再进行双谱分析针对溢流阀的双谱结构图、等高线图和其双谱切片图在正常情况和故障情况的不同进行对比差异明显。结果说明用高阶谱来诊断溢流阀故障是可行的有效的。