[00866453]非参数化自适应信号分解方法及其在机械故障诊断中的应用

该项目属于工程领域的机械工程学。为了提高非平稳信号分析和机械故障诊断技术水平，聚焦自适应信号分解、非平稳机械故障振动信号特征提取等关键科学问题，开展了系统性和原创性研究工作，发展了经验模态分解(EMD)、局部均值分解(LMD)等典型的非参数化自适应信号分解方法，原创性地提出了一种新的非参数化自适应信号分解方法-局部特征尺度分解(LCD)，从而形成了一类基于均值曲线优化的非参数化自适应信号分解方法体系，并提出了系统完整的机械故障振动信号特征提取和故障诊断方法，推动了自适应信号分解方法基础理论的创新和机械故障诊断技术的发展。主要科学发现如下： 1.—类基于均值曲线优化的非参数化自适应信号分解方法理论体系。(1)发展了EMD、LMD等方法。建立了基于能量差跟踪法的EMD内禀模态分量(IMF)判据；提出了基于支持向量回归机和自适应波形匹配的EMD、LMD端点效应抑制方法；提出了基于噪声辅助分析和有理样条函数的LMD方法，克服了模态混淆，提高了计算效率。(2)提出了一种新的非参数化自适应信号分解方法-局部特征尺度分解(LCD)。在定义一种瞬时频率具有物理意义的单分量信号-内禀尺度分量(ISC)的基础上提出了LCD方法。进一步，将EMD、LMD、LCD方法统一在一个理论框架中，形成了一类基于均值曲线优化的非参数化自适应信号分解方法，发展和完善了非参数化自适应信号分解方法理论体系。 2.基于非参数化自适应信号分解的机械故障多分量信号自适应滤波和分离技术。发现了EMD、LMD、LCD等方法的本质特征，揭示了复杂机械故障振动信号中各个分量与IMF、乘积函数(PF)、ISC等分量之间的内在本质联系。由此，基于EMD、LMD、LCD等方法建立了机械故障多分量信号的自适应滤波和分离技术，在此基础上提出了各种具体的机械故障诊断方法。 3.机械系统动态特性检测和故障诊断的自适应多尺度分析方法。融合非参数化自适应信号分解方法与时序模型、熵理论，实现了机械系统自适应多尺度动态特性检测和故障诊断。(1)建立了机械故障诊断的EMD-ARMA模型。将自回归滑动平均(ARMA)模型扩展为可以处理非平稳信号的时序模型，创造性地建立了适合于处理非平稳故障振动信号的EMD-ARMA模型。(2)提出了融合非参数自适应信号分解与熵理论的机械故障诊断方法。定义了IMF能量熵和时频熵、ISC模糊熵和排列熵对机械故障振动信号进行自适应多尺度复杂性和随机性分析，揭示了IMF能量熵和时频熵、ISC模糊熵和排列熵与旋转机械不同故障类型之间的内在映射关系。 项目累计发表论文139篇，其中SCI论文67篇，出版专著4部。8篇主要论文他引总次数1095次，SCI-E他引860次，总影响因子32.261，平均影响因子4.033。5篇代表性论文他引总次数824次，SCI-E他引652次，单篇最高SCI他引226次。项目成果多次得到IEEE Transactions on Fuzzy、Mechanical Systems and Signal Processing等国际权威期刊的正面引用和肯定评价。