随着现代化工业技术的不断发展,旋转机械装备在先进制造、航空航天、船舶海洋、轨道交通、风力发电以及核力发电等重要工程领域得到广泛的应用。轴承、齿轮等零部件作为旋转机械动力传递与运动变换过程中不可或缺的基础传动件,一旦发生故障,整个系统就会瘫痪,甚至导致灾难性事故的发生。由于旋转机械传动件的运行环境恶劣、工况条件多变以及自身结构庞杂,其运行状态信号往往呈现出微弱性、非线性、复杂性、多样性、耦合性等特点,并且淹没在强大的背景噪声和干扰信号中,导致其故障特征极其微弱,难以提取。因此,开展旋转机械传动件微弱故障诊断对于避免重大灾难性事故发生、杜绝人员伤亡、提高企业经济效益具有十分重要的意义。本文针对旋转机械迫切需要解决的复杂环境下微弱故障诊断的可靠性、准确性等关键科技难题,从基于振动信号和基于电流和转矩信号两方面开展了关于旋转机械传动件微弱故障诊断的研究。在传统的基于振动信号的微弱故障诊断方面,主要从信号增强、特征提取、故障识别三个方面展开研究,提出了强噪声背景下非线性微弱故障的级联增强方法,深入研究了基于时频图像纹理特征的微弱故障特征提取方法,提出了复杂非线性耦合条件下故障特征信息深度挖掘技术;在基于非振动信号的微弱故障诊断方面,采用电机驱动系统的电流和转矩信号表征旋转机械的运行状态,通过融合多源信号多决策模型实现了特殊与极端环境下旋转机械传动件微弱故障的准确诊断,具体研究内容如下:(1)针对强背景噪声环境下旋转机械故障信号微弱、故障特征难以提取的问题,提出了一种基于最小熵解卷积和能量算子的故障信号瞬态冲击特征级联增强方法。首先根据旋转机械故障信号表现为冲击波形的特点,利用最小熵解卷积对信号进行自适应降噪,以最大峭度值为目标函数,在实现降噪的同时增强信号中的瞬态冲击成分,实现故障特征的一级增强;再结合能量算子算法适合检测信号瞬时变化,能有效提取故障信号中冲击特征和调制成分的特点,获取能量信号实现故障特征的二级增强,通过计算其频谱可以有效检测出被噪声淹没的故障特征成分。最后,利用滚动轴承复合故障数据验证了所提方法的有效性。(2)针对强背景噪声环境下旋转机械微弱故障信号非平稳、非线性特征提取困难的问题,提出了通过构建信号时频图像纹理特征表征旋转机械运行状态的方法。采用具有良好时频聚集性,强自适应性和抗噪性的自适应最优核时频分析方法处理低信噪比的故障信号,可以自动调整核函数追踪信号的微小变化,降低背景噪声的干扰,有效的抑制交叉干扰项并保持较高的时频分辨率,通过仿真实验对比了自适应最优核、S变换以及魏格纳维尔分布在不同信噪比条件下的抗噪性能表现。获得表征信号能量分布的时频分布图像后,利用统一局部二值模式可以有效约简由随机噪声产生的非统一局部二值模式特征的优势,提取统一局部二值模式的直方图表征旋转机械故障信息。通过滚动轴承多故障状态的对比实验研究了所提出的方法在不同运行工况不同信噪比条件下的分类准确性、分类稳定性以及计算复杂性等方面的性能表现。(3)针对旋转机械海量运行状态数据具有复杂性、多样性、耦合性等特点,传统浅层神经网络难以准确分类的问题,提出了基于优化深度置信网络的旋转机械故障诊断方法。提取时域统计特征、包络谱特征、瞬时频率谱特征和高级统计特征组成原始高维多域特征向量表征旋转机械运行状态。利用最大相关和最小冗余方法剔除错误和冗余特征,通过线性判别分析实现特征的空间聚类,结合特征选择和特征变换的优点,获得了更紧凑和敏感的低维特征子集。利用深度置信网络的深层非线性网络结构,实现故障特征与故障类别之间的复杂映射关系的建模,与传统分类模型相比,深度置信网络可以对数据实现更复杂的函数逼近,具有更强的挖掘数据本质特征的能力,并通过离散粒子群算法进行隐含层数的优化选择,提高了旋转机械故障诊断的识别率以及稳定性。(4)针对特殊环境与极端工况条件下,无法安装额外传感器以及单一源信息无法全面表征设备运行状态的问题,提出了基于电机驱动系统的多源信号多决策模型融合的故障诊断方法。本文采用电机驱动系统的驱动器作为传感器来获取驱动电机运行过程中的电流信号和转矩信号来描述传动件的整体运行状态。研究了传动部件故障对驱动电机电流和转矩的影响规律,通过支持向量机和极限学习机分别获取多源信号的独立局部诊断结果,利用D-S证据理论实现同源信号和异源信号的多源信息融合,最终获得多决策模型的融合诊断结果,得到设备运行状态整体一致的决策判别,提高了旋转机械故障诊断的准确性、容错性和鲁棒性。文章最后对本文的研究工作进行了总结,并提出了未来的研究方向。