我校设备健康管理与智能诊断团队在国际权威期刊上发表故障诊断领域最新研究成果

近日，我校机械工程学院设备健康管理与智能诊断团队在国际权威期刊《Mechanical Systems and Signal Processing》（中国科学院一区Top期刊）发表设备状态监测与故障诊断最新研究成果。我校为论文唯一单位，机械工程学院程健博士为第一作者，潘海洋副教授和郑近德教授为共同通讯作者。研究成果得到了国家自然科学基金和安徽省自然科学基金等资助。

现有频带分割方法难以同时满足噪声鲁棒性和分割准确性的需求，只关注主频带状态信息而忽略主频带外的状态特征信息，进而造成故障漏诊和误诊。本研究提出了一种新颖的自适应滑动Ramanujan分解（ASRD）方法，通过柔性的方式获取信号的最优频带并实现带内滤波，解决了现有信号分析方法在搜寻最优频带时精度不足和主频带噪声明显的问题。

（评价指标对比图）

（不同特征信息量下的指标对比图）

（各超窄带分量的RFI指标评估结果图）

（分解层数为5的ASRD分析结果图）

ASRD方法通过超窄带滤波的方式解决了最优频带难以精准确定、带内噪声无法滤除和状态特征信息损失严重的问题；通过柔性滑移频带分割方式不仅避免了固定式频带分割造成故障特征频带结构的破坏，还克服了传统自适应频带分割噪声鲁棒性差的问题。为了提高特征指标对有效超窄带子模态故障特征的评估能力，以广义Ramanujan谱为最优评估平面，设计了一种具有优异的周期脉冲敏感性、干扰成分鲁棒性和单调性的重加权融合指标（RFI），提高了故障特征提取的量化能力。结果表明ASRD方法具有优异的滚动轴承故障周期脉冲特征增强和提取能力。

本研究揭示了超窄带分解框架对周期脉冲的增强机理，解决了由于信号分析方法自身性能不足带来的最优频带选择精度不高和带内噪声滤波性能欠佳问题，为设备状态监测和健康管理等领域中的实际应用提供参考。

论文链接：https://doi.org/10.1016/j.ymssp.2025.112560

（撰稿：程健 审核：刘庆运 张苒 黄敏）

标签：方法  特征  噪声