圆柱直齿轮副是机械装置中常用的关键传动部件,常因齿面的周期性载荷和疲劳磨损出现齿根裂纹故障,导致齿轮副振动和噪声增大,严重影响机械系统的工作性能,需要及时检测。但齿轮副的工作环境存在随机振动和白噪声等因素,易使齿轮副的振动频谱中出现杂频,淹没故障信号,不利于对齿轮副裂纹故障的识别。针对齿轮副齿根裂纹故障的振动信号,采用小波变换对信号进行分解与重构;建立基于双树复小波的降噪模型,实现对振动信号的有效降噪,形成了齿轮副裂纹故障检测方法。实验验证表明,该方法的降噪效果优于常用的硬阈值函数小波降噪和软阈值函数小波降噪算法,可较为准确地判断出齿轮箱的故障类型,为圆柱直齿轮副的状态判别提供科学依据。

针对机械密封低速阶段存在信号内源耦合与外部干扰因素的共性问题,提出了信号局部特征尺度分解(local characteristic-scale decomposition,LCD)与小波阈值协同降噪方法。基于局部特征尺度分解结合小波阈值方法与声发射信号降噪的信息映射关系,建立了互相关系数对含噪分量识别机制,将纯净分量和降噪后的含噪分量进行重构,实现信号降噪,并搭建了机械密封声发射测试台,试验结果表明,LCD-新阈值降噪方法降噪效果优于LCD强制降噪和小波阈值降噪,LCD-新阈值降噪的信噪比分别比LCD强制降噪和小波阈值降噪高出20%和23%。从而证明基于局部特征尺度下密封声发射信号协同小波阈值的降噪技术维持了信号的可用性,保障信号故障特征,为进行机械密封全生命周期管理奠定了理论基础。

为了能够更好的保持液压泵轴承振动信号的峰形,解决软阈值函数存在的恒定偏差和硬阈值函数存在间断点的问题,引进了一种最小二乘支持向量机(LS-SVM)与小波指数阈值结合的振动信号降噪方法。首先对液压泵的机械轴承振动信号进行小波阈值分解,进而采用LS-SVM方法将小波系数分为与噪声相关的及与噪声无关的小波系数,采用小波指数阈值函数将与噪声相关的小波系数滤除,将处理后的信号重组,提取微弱的振动信号特征。不仅实现了振动信号的降噪,也利于轴承的故障诊断。

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解（complementary ensemble empirical mode decomposition,简称CEEMD）与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。

为了提取强噪声背景下机械振动信号的微弱故障特征，提出利用Perona-Malik非线性各向异性扩散滤波模型来实现强噪声背景信号降噪的方法。首先阐述了偏微分方程和Perona-Malik扩散滤波模型在图像降噪中的应用；其次分析了小波变换等传统信号降噪方法的不足；最后基于图像降噪和信号降噪原理的相似性，利用Perona-Malik扩散滤波模型来实现机械振动信号的降噪，将其用于轴承振动仿真信号和实测信号。实验表明，与小波阈值去噪算法等传统信号降噪方法相比，Perona-Malik扩散滤波模型更适用于强噪声背景信号降噪，同时兼顾了信号去噪和保留信号细节特征的双重要求。