一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大，故障特征不明显，导致的故障诊断困难问题，提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估，并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分，计算预处理信号的层次熵组成特征矩阵，最后采用布谷鸟算法优化支持向量机相关参数，并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性，且具有较高的准确率。     

基于改进多尺度均值排列熵和参数优化SVM的齿轮箱故障诊断方法

当齿轮箱传动系统发生故障时,不同振动信号的多尺度均值排列熵（Multi-scale Mean Permutation Entropy,MMPE）与其故障状态有一定的对应关系,但MMPE提取故障特征的效果取决于参数的选取。因此,提出了一种基于改进MMPE和参数优化支持向量机（Support Vector Machine,SVM）的齿轮箱故障识别方法。首先,引用粒子群优化（Particle Swarm Optimization,PSO）算法对MMPE的参数进行优化;其次,对采集到的齿轮振动信号计算其MMPE;最后,采用PSO-SVM对齿轮的故障状态进行了识别。试验结果验证了所提方法的有效性且具有较高的准确率。     

基于GI-AMED的滚动轴承早期故障诊断

针对滚动轴承早期故障信号受噪声干扰严重，特征频率难以提取的问题，提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先，以基尼系数为指标对滚动轴承健康状态进行评估，得到轴承故障初始起点；然后，以模糊熵为标准，通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优，用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理；最后，对预处理信号进行包络谱分析并提取故障特征频率，完成滚动轴承早期故障诊断。试验结果表明，基尼系数能够比均方根值更早判定轴承运行趋势的异常点，AMED则能够克服人为经验选取参数的局限性，且能够得到更清晰的故障特征频率，从而有效实现滚动轴承早期故障诊断。