本论文以旋转机械设备的精确故障诊断为目标,着眼于多尺度非线性分析在设备状态监测与故障诊断中的应用研究,通过分析正在发展中的基于时频分析的多尺度方法和随机共振与流形学习等两种典型的非线性分析方法在该领域的研究现状和存在的问题,把这两种之前相互独立的研究相互结合,实现优势互补,并统一在了一个研究体系之下,即采用多尺度非线性分析方法增强设备状态特征,分三个部分就有关问题进行了深入的研究。第一部分是基于多尺度随机共振分析的方法及其在旋转机械微弱状态特征增强上的应用研究。以设备测量信号原始包络为处理对象,分析了信号中噪声的有色性和故障特征的微弱性及频率高的特点,引入随机共振的方法,根据信号在多个尺度上的噪声对系统输出的影响,提出了一种新的多尺度噪声调节随机共振(MSTSR)方法。新方法能调节并优化噪声分布模型,从而实现在固定噪声水平和类型情况下微弱大频故障特征的增强。研究构造了一种新的加权功率谱峭度(WPSK)指标,用以评估MSTSR系统输出的效果,从而在无先验知识情况下优化该方法中的参数,自适应输出最优增强结果。进一步改进了MSTSR方法中的多尺度噪声调节方式,并拓展了其在多瞬态故障诊断中的应用,改进方法可以对多频待测信号依次单独增强,排除了相互之间的干扰。第二部分是基于多尺度流形学习分析的方法及其在设备状态本质特征挖掘中的应用研究。以设备原始测量信号为处理对象,通过结合相空间重构(PSR)和连续小波变换(CWT),构造了包含信号非平稳信息的高维多尺度相空间,把流形学习应用于高维相空间中,提取出了一种新的时间尺度流形(TSM)标签,用以表征设备的本质状态特征。从TSM中提取脊线以直接解调出故障特征频率,并提出了一种脊线替换解调方法增强带内噪声去除效果。此外,通过利用流形学习非线性地结合了信号在多个特征尺度上的小波包络,提取出了一种新的多尺度包络流形(MEM)特征,获得故障脉冲的真实包络结构。本文提出的基于多尺度流形学习的解调方法在实际轴承和齿轮箱故障诊断的应用中显示了与传统包络分析方法相比的优越性。第三部分是基于多尺度非线性分析的轨边声学信号处理方法及其在轨道列车轴承轨边声学故障诊断中的应用研究。以轴承轨边声学信号为分析对象,首先提出了基于时频分布(TFD)瞬时频率估计的信号动态重采样方法去除原始信号中的多普勒效应,然后引入MSTSR方法增强多普勒效应去除后包络信号中的微弱故障特征频率。分析了轨边声学信号中可能存在的双调制现象,提出了一种变分辨率脊线解调(VRRD)方法直接从轨边声学信号中提取故障脉冲的包络,接着对包络信号进行动态重采样以直接恢复出故障特征频率,最后通过对数变换和分段线性趋势去除方法,压制可能存在的低频调制现象并去除低频非线性趋势。仿真和实验分析的结果表明所提方法能从列车轴承轨边声学信号中提取出无多普勒效应且信噪比提升的故障特征频率。此外,以上研究都建立在了仿真和实验验证基础之上。本论文根据研究对象和所采用方法的不同构造了不同的仿真模型,所分析的实验数据包括具有齿轮磨损故障的齿轮箱振动信号、具有各种局部故障的不同型号轴承的振动／声学信号以及具有局部故障的轨道列车轴承轨边声学信号。本论文的研究表明,多尺度非线性分析能够增强设备状态特征,对旋转机械精确故障诊断具有非常重要的意义。