1.一種機(jī)械振動(dòng)信號(hào)的故障分析方法，其特征在于，包括信號(hào)預(yù)處理、信號(hào)的正式處理、信號(hào)的特征參數(shù)提取、信號(hào)的故障識(shí)別；
所述信號(hào)預(yù)處理通過(guò)仿真對(duì)所述機(jī)械振動(dòng)信號(hào)對(duì)比實(shí)驗(yàn)，采用經(jīng)驗(yàn)?zāi)B(tài)分解的降噪方法，說(shuō)明了所述經(jīng)驗(yàn)?zāi)B(tài)分解的降噪方法的降噪性能的改進(jìn)，最后將其用于實(shí)測(cè)所述機(jī)械振動(dòng)信號(hào)的降噪；
所述信號(hào)的正式處理在經(jīng)過(guò)所述信號(hào)預(yù)處理之后，得到了所述機(jī)械振動(dòng)信號(hào)的降噪形式，在過(guò)程中采用了機(jī)械振動(dòng)信號(hào)故障特征提取方法，并將所述機(jī)械振動(dòng)信號(hào)的相對(duì)小波能量融合在內(nèi)，針對(duì)診斷中故障樣本數(shù)目少的問(wèn)題，使用支持向量機(jī)作為故障識(shí)別分類器，并通過(guò)故障診斷實(shí)驗(yàn)，驗(yàn)證了所述機(jī)械振動(dòng)信號(hào)故障特征提取方法的有效性，得到所述機(jī)械振動(dòng)信號(hào)的故障特征；
所述信號(hào)的特征參數(shù)提取，首先從所述機(jī)械振動(dòng)信號(hào)的故障特征中進(jìn)一步提取樣本熵，同時(shí)利用所述樣本熵對(duì)不同故障類型、不同損傷程度的所述機(jī)械振動(dòng)信號(hào)進(jìn)行分析，結(jié)果表明所述樣本熵可以作為故障特征參數(shù)，建立所述故障特征參數(shù)的矩陣，并進(jìn)行所述故障特征參數(shù)的矩陣的奇異值分解，同時(shí)利用所述故障識(shí)別分類器進(jìn)行機(jī)械故障特征參數(shù)提取，并進(jìn)行了故障診斷實(shí)驗(yàn)；
所述信號(hào)的故障識(shí)別，對(duì)按振動(dòng)頻率的大小對(duì)所述機(jī)械故障振動(dòng)信號(hào)進(jìn)行分類，分為頻率高的所述機(jī)械故障振動(dòng)信號(hào)以及頻率低的所述機(jī)械故障振動(dòng)信號(hào)，對(duì)所述頻率高的所述機(jī)械故障振動(dòng)信號(hào)利用獨(dú)立分量分析對(duì)所述機(jī)械故障振動(dòng)信號(hào)進(jìn)行分析，得到統(tǒng)計(jì)上相互獨(dú)立的分量，將所述機(jī)械振動(dòng)信號(hào)表示為所述相互獨(dú)立的分量的線性組合，其中所述相互獨(dú)立的分量的線性組合的系數(shù)作為特征向量，并結(jié)合最近鄰算法進(jìn)行機(jī)械故障識(shí)別，得到所述頻率高的所述機(jī)械故障振動(dòng)信號(hào)的故障類型；對(duì)所述頻率低的所述機(jī)械故障振動(dòng)信號(hào)進(jìn)行獨(dú)立分量分析，獲得不同工況信號(hào)的獨(dú)立分量，然后將所述不同工況信號(hào)的獨(dú)立分量的絕對(duì)值作為特征，使用支持向量機(jī)進(jìn)行機(jī)械故障識(shí)別得到所述頻率低的所述機(jī)械故障振動(dòng)信號(hào)的故障。