机械设备在运转过程中会产生振动与冲击,这些振动信号中包含大量的设备状态信息,振动信号的分析与处理对于机械设备状态监测与故障诊断具有重要意义。然而在实际应用中,由于现场环境复杂,所测得的振动信号往往含有大量噪声,使得蕴含设备状态信息的特征信号比较微弱甚至被噪声淹没,极大地影响了对机械设备的监测与故障诊断。针对此问题,本文结合国家自然科学基金项目“微弱冲击信号的识别和提取技术研究”(编号:51175466)开展了“微弱机械冲击信号的检测与提取方法研究”的博士论文研究,对强背景噪声下微弱冲击信号的检测与提取方法进行了系统研究,分别从微弱信号的检测、多源故障信号分离、时域和频域特征提取等方面提出了微弱冲击信号的分析处理方法。论文的主要研究内容如下:针对微弱冲击信号的检测与提取问题,提出了一种基于自适应Morlet小波变换的微弱冲击信号检测方法。按照最小香农熵准则按顺序优化母小波的中心频率和带宽参数,以参数优化后的Morlet小波对含有强噪声的冲击信号进行小波变换,获得若干小波系数,随后以峭度为指标筛选出包含冲击成分的系数,最后将筛选出的系数通过逆小波变换重构冲击信号,从而实现噪声抑制与微弱信号的检测与提取。仿真实验结果表明该方法能够有效去除噪声,并且在低信噪比下仍然优于其他方法。针对多源混合故障信号的分离问题,提出了一种基于独立成分分析(Independent Component Analysis,IC A)的故障多源信号分离方法。首先详细阐述了盲源分离(Blind Source Separation,BSS)问题与独立成分分析算法的原理。采用基于负熵的对称(平行)正交化估计多个独立成分的FastICA算法,对多路加速度传感器采集到的振动信号进行盲源分离,随后对得到的几组独立成分进行共振解调处理,最后通过频谱分析确认包含故障特征的独立成分,实现特定故障特征冲击信号的分离。通过对仿真信号和轴承点蚀故障信号的分析和处理,验证了该方法能够从多测点多传感器的混合信号中分离出故障信号。针对微弱冲击信号的故障源定位问题,提出了一种基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和赤池信息准则(Akaike Information Criteria,AIC)的冲击信号起振点确定方法。该方法首先利用经验模态分解(Empirical Mode Decomposition,EMD)将信号分解为若干模态,随后对各模态进行希尔伯特变换求得各模态的瞬时频率,并搜寻其AIC方程的最小值,对应的采样点即为冲击信号的起振点。仿真实验结果表明该方法能够准确得到冲击信号的起振点,随着背景噪声的增强依然保持良好的准确性与稳定性。针对旋转类机械故障周期性冲击信号特征提取问题,提出了基于数学形态学滤波的冲击信号频率特征提取方法。该方法以形态学滤波后故障特征频率对应幅值为指标,对结构元素的长度以及形态学滤波器的尺度两个参数进行了二维寻优,得到最优的形态学滤波器,并以此对冲击信号进行滤波处理,得到其中的周期性冲击成分并提取频率特征。通过对仿真冲击信号和实际轴承点蚀故障信号的处理和分析,验证了该方法能够在强背景噪声下最大限度地提取周期性冲击信号的频率特征。