航空航天、能源、国防等领域的重要装备对运行安全、可靠性要求严苛。如何准确识别装备的动力学特性、评估关键易损零部件的健康状态，是保障服役安全、避免意外事故的关键技术。然而，该技术的难点之一在于，当装备在非平稳工况下运行（如速度、负荷随时间变化）时，所采集的信号特征具有非平稳特点。传统的特征提取技术如时域指标分析、频谱及包络谱分析等均基于平稳性假设，不再满足非平稳特征提取要求。而现有的非平稳信号分析方法存在关键理论瓶颈，无法实现高分辨率特征提取。本成果基于原创的自适应迭代广义解调分析理论，能够有效识别并表达非平稳特征，可用于复杂装备的监测诊断等领域。

      技术优势：

      1. 能够准确辨识机械信号中的时变频率成分。

      2. 即使在强噪声干扰下，亦可自动甄别较弱的故障特征并准确揭示。

      3. 具备高时频分辨率，不受交叉项/自项干扰。性能指标：理想时频分辨率、微弱特征自动识别。

      成果亮点：

       1. 具有自主知识产权，研究成果已授权国家发明专利2项；

       2. 技术先进性：国际先进，比现有时频分析方法具备更高的分辨率、抵抗噪声干扰能力；

       3. 获2020年教育部自然科学二等奖。

航空航天领域中，关键结构及搭载设备受到负载力学环境激励，亟需高精度的非平稳信号特征辨识技术，以指导结构设计和可靠性评估。

风力发电领域中，为避免计划外停机并减少人工拆装维护成本，亟需高精度故障特征提取技术，以远程诊断风电传动系统异常，指导开展主动性维护。

冯志鹏教授，长期从事机械故障诊断与信号分析的研究。机电系统动力学与故障诊断科研梯队由冯志鹏教授带领，现有专职教师3人，博士研究生7人，硕士研究生12人。研究方向主要包括机电系统动力学、健康监测与故障诊断、信号处理、人工智能。团队拥有电机-行星齿轮传动系统、轴承、转子综合实验台、LMS数据采集系统、PCB系列传感器等仪器设备。近年来，承担国家重点研发、国家自然科学基金等项目6项。对交通车辆和能源动力等领域中的机电系统动力学机理、复杂非平稳信号特征分析、智能诊断等问题进行了系统深入研究，在Mechanical Systems and Signal Processing、Journal of Sound and Vibration、IEEE、ASME等期刊上发表论文40余篇，出版学术专著2本。

航空航天领域中，通过有效准确的特征提取，能够揭示潜在的安全隐患，避免因结构安全问题对航天发射任务造成影响；

能源电力领域，尽早地诊断、定位故障，能够避免计划外停机，指导相关维修与备件管理，为相关企业大大降低运行维护成本。

合作方式：技术许可 、合作开发

研究实施情况：已完成非平稳特征提取技术国内外研究现状调研、已投入人力进行先进自适应迭代广义解调理论研究，已基于Matlab平台搭建应用算法程序，并在旋转机械振动信号分析中得到检验。

期望技术转移成交价格（大概金额）：100万元。