任务来源：该项目是唐山市“机电一体化”重点实验室项目，课题编号为：04360802B-10。课题起止年限为：2006年8月---2007年12月。应用领域和技术原理：从机械设备上所测得的(振动) 信号大量是非平稳、非高斯的随机信号， 尤其是当设备出现故障时上述情形显得更加突出。为了更有效、更方便地获取这些故障特征信息， 必须研究和发展基于非平稳、非高斯信号分析理论的故障特征信息提取方法。 目前，局域波法作为一种全新的信号分析方法，对非平稳性信号的分析表现出了较大的优越性。而基于高阶统计量理论的高阶时频分布和盲源分离技术则是处理非平稳、非高斯信号最有效的工具之一。为此，该课题利用非平稳、非高斯信号处理理论中的局域波法、Wigner 高阶时频分布和盲源分离理论，对非平稳、非高斯的机械振动信号的特征提取与故障诊断问题进行了深入的研究。课题研究的主要目的是利用机械设备表面振动信号来实现其特征提取和故障诊断。针对振动信号的非平稳特性，引入了适用其分析的新方法-局域波法；然后通过仿真信号和实际采集的轴承信号为例，表明局域波时频分析对于非平稳、非线性信号的分析更具有效性。充分利用局域波时频谱图像可以表征不同的故障特征，提出了一种基于局域波时频谱图像的不变矩故障特征和神经网络的诊断方法。它在局域波时频谱的基础上，计算时频表示的中心矩和不变矩作为时频图像的特征，研究证明部分不变矩对于故障分类明显。进一步采用RBF网络作为模式分类器对转子的两类故障信号进行了自动分类测试。实验结果表明该方法的可行性。针对振动信号的非高斯特性，引入了基于Wigner 高阶矩谱的故障特征提取方法，接着针对高阶时频分布中存在交叉项的问题，提出利用局域波分解来减小交叉项的方法，增强了时频分布的可读性，并以仿真信号和柴油机爆燃阶段振动信号为例，验证了此方法的有效性。应用非平稳信号的盲源分离算法，可有效地提取各自独立的非平稳振动源，从而可以更加准确地进行机械故障诊断。首先，通过仿真信号和转子的复合故障信号验证了非平稳盲源分离算法的效果，在此基础上，应用非平稳信号的盲源分离算法对于测得的多路振动信号进行分离，得到统计上互相独立的源信号进一步通过AR模型系数来提取特征信息，进行故障识别。主要研究结果（1）应用局域波法对设备振动非平稳信号进行了研究。通过与小波变换和几种时频分析方法的比较，表明局域波法对于非平稳信号的分析更具有效性。由于局域波时频谱是一种二维的信号表示形式，在计算机对故障自动分类时，涉及到维数压缩的问题。为了用尽可能少的维数表示时频谱而不损失分类精度，提出了一种基于局域波时频谱图像的不变矩故障特征和神经网络的诊断方法。它在局域波时频谱的基础上，计算时频表示的中心矩和不变矩作为时频图像的特征，研究证明部分不变矩对于故障分类明显。（2）研究了高阶时频分布在振动冲击信号特征提取中的应用问题。通过Wigner高阶矩谱可以有效地对非平稳、非高斯振动冲击信号进行特征提取和检测。针对高阶时频分布分析多分量信号时存在交叉项的问题，提出了一种利用局域波分解来减少Wigner高阶矩谱交叉项的方法，以仿真信号为例，验证了此方法的有效性；通过对现场测试的柴油机爆燃阶段信号的Wigner高阶矩谱分析，验证了该方法在机械故障特征提取中具有很好的应用潜力。（3）为了有效提取故障特征信号，需要在不同位置进行多传感器的振动信号测量。针对多源混合的非平稳、非高斯设备故障振动信号，应用非平稳信号的盲源分离算法，可以有效地提取各自独立的非平稳振动源，从而更加准确地进行机械故障诊断。首先，针对不同时频分布的非平稳盲源分离算法，通过仿真信号比较了它们的分离效果。然后以转子的复合故障为例进行了实验验证。在此基础上，提出了一种基于盲源分离的多传感器数据融合故障诊断方法。实验结果证明该方法能够提高故障诊断的精度。国内外同类研究比较查新显示：目前国内专门针对机电设备振动信号，利用非平稳、非高斯信号处理理论中的局域波法、Wigner 高阶时频分布和盲源分离理论来进行特征提取与故障诊断研究的文献较少，除了彭兵、唐贵基、胥永刚等发表的论文外，未见有关专门的文章报道，特别是提出的一种基于局域波时频谱图像的不变矩故障特征和神经网络的诊断方法、提出的一种减少Wigner高阶矩谱交叉项的方法、提出的一种基于非平稳信号盲源分离的多传感器数据融合故障诊断方法。因此，从查新结果来看，除该课题组相关论文外，在国内未发现与该课题综合技术特征相同的文献报道。关键技术及创新点（1）提出了一种基于局域波时频谱图像的不变矩故障特征和神经网络的诊断方法。它在局域波时频谱的基础上，计算时频表示的中心矩和不变矩作为时频图像的特征，研究证明该特征对于故障分类敏感。（2）提出了一种减少Wigner高阶矩谱交叉项的方法并将其应用于振动冲击信号的特征提取中。以仿真信号和实际测试信号为例，验证了该方法在设备故障特征提取中具有很好的应用潜力。（3）针对多源混合的设备故障振动信号，应用非平稳信号的盲源分离算法，有效地提取各自独立的非平稳振动源，从而可以更加准确地进行机电设备故障诊断。在此基础上，提出了一种基于盲源分离的多传感器数据融合故障诊断方法。实验结果证明该方法可有效地提高故障诊断的精度。存在问题（1）该课题数据是在转子振动试验台上采集得到的。如能与现场数据结合，将能对实际生产过程发挥更直接的指导作用。（2）引起机电设备故障的机理有待更进一步的仔细研究。推广应用前景与措施成果的前景分析从预防故障和减少损失的角度出发，设备状态监测与故障诊断技术就是为了及时发现设备的异常，掌握设备的运行状态，对已经形成的或正在形成的故障进行分析诊断，判断故障的部位和产生的原因，并及早采取有效的措施，做到防患于未然。在机电设备故障诊断的发展过程中，人们发现最重要、最关键也是最困难的问题之一就是故障特征信号的特征提取。为了从根本上解决特征提取这个关键问题， 人们主要借助于传统的信号处理的理论、方法和技术手段对故障特征进行提取，而这些方法并不符合实际情况，因为从机械设备上所测得的(振动) 信号千变万化， 大量是非平稳、非高斯分布和非线性的随机信号， 尤其是当设备出现故障时上述情形显得更加突出。为了更有效、更方便地获取故障特征信息， 我们需要从一个更高、更全面的角度去观察信号， 其重要途径就是研究和发展基于现代信号处理技术的故障特征信息提取方法。研究非平稳、非高斯信号处理理论已成为现代信号处理理论研究的热点之一。研究时变非平稳信号的重要方法主要是时-频分析(分布) ， 该方法在时间-频率域上， 而不是仅在时域或仅在频域上对信号进行分析。非高斯信号处理是信号处理的一个新领域。随着研究的深入， 非高斯信号处理理论和方法的研究领域逐步发展、成熟起来。非高斯信号处理的主要数学工具是高阶统计量及相应的高阶谱。近年来出现的盲源分离技术为非高斯信号的处理注入了新的活力。该课题利用局域波法、Wigner高阶矩谱和盲源分离技术对非平稳、非高斯的机械振动信号的特征提取与故障诊断方法问题进行了深入的研究。研究结果对于提高复杂设备的故障诊断水平，最大限度地提高企业的经济效益和社会效益，起到推动作用。措施（1）理论模型在转子试验台上已经获得验证，进一步将理论模型同工业生产结合起来，进而直接解决工业生产中的实际问题。（2）对于盲源分离在机电设备故障诊断方面的研究，仍然处于理想环境下的分析结果。如何更加贴近实际情况，比如，考虑带有时延的信号分离，是下一步考虑的问题。（3）对于Wigner高阶矩谱的模型，目前仍然运算速度慢，占用内存空间较大，下一步的任务是如何提高模型的运算速度。