针对液压泵故障诊断问题,提出一种基于局部均值分解(LMD)、形态谱和核模糊C均值聚类相结合的方法。首先,用LMD分解液压泵振动信号,得到具有物理意义的若干个模态分量(PFs);其次,选取含有特征信息丰富的3个PFs为数据源,采用基于峰度值、能量和均方差的评价方法,从这3个PFs中提取出各个尺度上的形态谱的3个平均值,将其组成一个向量;最后,采用核模糊C均值聚类方法(KFCM)对不同工况下所有样本进行聚类分析,对液压泵故障进行诊断。此外,将信号采用经验模态方法(EMD)分解、模糊C均值聚类方法(FCM)分析,结果表明LMD和KFCM分别优于EMD和FCM;该方法诊断精度高,是液压泵故障诊断的有效方法。

针对行星齿轮箱的故障诊断问题,提出一种参数优化数学形态谱和支持向量机的行星齿轮箱故障识别方法。该方法考虑形态谱参数选择对同型故障一致性和不同故障差异性的影响,通过相对误差指标值的大小选择形态谱最优参数,对形态谱参数进行优化选择,提取故障特征,并采用支持向量机完成行星齿轮箱故障的故障识别。相较传统行星齿轮箱故障诊断而言,该方法对形态谱参数进行了定量分析,且无需复杂数学建模,和频率成分分析,简化故障识别过程。为了验证该方法的有效性,对行星齿轮箱试验台信号进行了分析实验,结果表明了该方法可有效地识别齿轮故障类型。

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类