本报讯（实习记者 师亚萍）近日，安徽工业大学机械工程学院设备健康管理与智能诊断团队在设备状态监测与故障诊断方向取得最新研究成果，成果针对工业设备状态监测与故障诊断领域长期存在的技术瓶颈，提出了一种创新性的自适应滑动Ramanujan分解（ASRD）方法，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，相关成果已发表于国际权威期刊。
　　ASRD方法通过超窄带滤波精准定位故障特征频带，同步滤除噪声并保留关键信号；采用柔性滑移频带分割技术，在避免破坏特征结构的同时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Ramanu-jan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。
　　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。安徽工业大学机械工程学院表示，将持续推进“智能诊断+工业场景”的深度融合，助力我国装备制造业智能化升级。