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）和《Expert Systems With Applications》（中国科学院一区Top期刊）发表设备故障诊断方向最新研究成果。研究工作得到国家自然科学基金和安徽省自然科学基金等项目资助。

（不同方法的分量图：(a)URRD, (b)FMD, (c)VMD, (d)EFD）

（不同方法有效分量的频域能量图：(a)URRD, (b)FMD, (c)VMD, (d)EFD）

故障频带划分是高端装备及其关键部件状态监测与故障诊断的重要手段。传统频带划分方法存在特征信息遗漏等局限，无法适用于多频带信息离散特点的复合故障信号分析。本研究提出了一种基于自适应超窄带划分的超窄带Ramanujan精细分解（URRD）方法，通过频带超精细划分方法实现复合故障信号的超窄带自适应划分和精细频带恢复，在减少多频带特征信息遗漏的同时提高了主频带的滤波性能。同时，通过定义的谱相似聚类方法自适应实现了时域相似分量重构，进一步提高理论所提方法的特征解耦与提取精度。相关研究成果发表在《Mechanical Systems and Signal Processing》，我校为论文第一单位，机械工程学院青年教师程健博士为论文第一作者，潘海洋副教授和郑近德教授为共同通讯作者。

（不同信号成分的指标对比）

（MRPD分析结果：(a)滤波分量；(b)频谱；(c)包络谱）

为了精准表征故障信号的脉冲和周期特征，本研究构建了一种新颖的全域超窄带滤波框架，提出了多分辨率Ramanujan包分解（MRPD）方法。MRPD方法采用基于Ramanujan周期变换的二进制信号分解框架，实现超窄带子模态的构造，降低带内噪声对最终滤波分量的干扰，克服了单一频带造成故障信息流失的问题。通过定义一种具有优异的周期脉冲量化能力的融合指标（PFI），克服了传统指标的“伪单调性”问题，实现了超窄带子模态状态信息的准确评估。相关研究成果发表在《Expert Systems With Applications》，我校为论文第一单位，机械工程学院青年教师程健博士为论文第一作者，潘海洋副教授和郑近德教授为共同通讯作者。

论文链接：

https://doi.org/10.1016/j.ymssp.2025.112964

https://doi.org/10.1016/j.eswa.2025.127908

（撰稿：潘海洋 程健 审核：郑近德 刘庆运 张苒 王菁）