提出了一种基于经验小波变换针对非线性、非平稳混合信号的单通道盲源分离方法,并应用于机械设备故障诊断中。该方法拟采用EMD-SVD-BIC估计源数,以确定经验小波变换中频谱分割边界的个数N,再将经验小波变换用于单通道盲源分离,从而进行欠定条件下多故障的分离与诊断。利用该方法对仿真信号和单通道轴承振动信号进行了分析,结果表明,该方法能够有效地将不同故障的源信号分离出来,并准确提取出机械的故障特征。

针对滚动轴承故障信号冲击成分能量往往较低,故障特征频率难以提取以及最大相关峭度反褶积(Maximum Correlation Kurtosis Deconvolution,MCKD)降噪效果受限于滤波器L和位移数M等问题,提出了一种自适应最大相关峭度反褶积和自适应局部迭代滤波(Adaptive Local Iterative Filter,ALIF)的滚动轴承故障特征提取方法。以排列熵为标准,应用步长搜寻法确定最佳的MCKD滤波器的长度和位移数,对采集的振动信号进行降噪预处理,突出被噪声所淹没的故障冲击;然后应用ALIF算法对降噪后的信号自适应分解为一组固有模态函数(IMF)分量,利用最大峭度准则选取包含故障信息量最大的分量,即敏感分量;最后对敏感分量进行包络谱分析,提取故障特征频率。仿真和试验分析结果证明了该方法的有效性和准确性。

齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要。针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型(Bounded Generalized Gaussian Mixture Model,BGGMM)进行无阈值递归图(Un-Thresholded Recurrence Plot,URP)特征提取的新方法,并将其应用于齿轮故障分类识别。首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs。然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量。利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类。

共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同，该方法同时参考频率和带宽两个因素，从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果受到品质因子Q、权重系数A以及拉格朗日乘子u的主观选择影响，针对此问题，将粒子群优化算法（Particle Swarm Optimization，PSO）应用到参数的选取中，通过粒子群优化算法的全局优化特点对实验参数进行自适应选取，进而实现振动信号的有效分解。将基于粒子群优化算法的共振稀疏分解应用到轴承故障信号的诊断中，证实了该方法的有效性。

基于某炼钢厂CSP生产线摆剪减速器轴承使用寿命短这一事实,分析得出轴承结构形式可能是使轴承失效的主要原因。采用有限元仿真技术,分析得出三种结构形式圆柱滚子轴承在剪切带钢时的接触应力以及轴承自身温度载荷作用下产生的接触应力。结果表明,该摆剪减速器轴承内圈与滚柱之间最大接触应力与其材料屈服极限相近,验证了轴承结构是使轴承产生破坏的主要原因,同时对比发现滚柱数目对接触应力有较大影响。该炼钢厂将轴承更换为具有相同安装尺寸的不同结构形式轴承后,失效事故不再发生。在轴承选型时不仅应当考虑外载荷和工作温度对轴承套圈接触应力作用,而且应考虑滚子数量不同对轴承套圈接触应力的影响。

为实现圆轴中损伤缺陷的识别与量化,解决超声信号处理过程中信号模式混叠和信号处理过程复杂的问题,以波动理论为基础,结合主动传感技术,利用快速集成经验模式分解（Fast Ensemble Empirical Mode Decomposition,FEEMD）算法对接收的导波信号进行分解,从分解的模式分量中提取出特征分量,提出基于FEEMD的透射系数并用于表征损伤严重程度。有限元仿真与实验结果表明,随着损伤程度的增加,透射系数单调递减,据此可检测出轴中所存在的缺陷并判定缺陷严重程度,可为轴类构件的结构健康监测提供一定依据。

经典的递归定量分析方法（Recurrence Quantification Analysis,RQA）是通过研究递归图中递归点在水平、垂直及对角方向的分布规律,对递归图进行定量研究。提出了一种新的递归定量分析方法：局部细节谱（Local Detail Spectrum,LDS）。该方法更关注于递归图中有限区间内递归点局部分布规律的定量分析。将所提出的局部细节谱用于齿轮故障分类,实验证明,局部细节谱可取得较好的故障识别效果。