1、在旋轉機械設備故障診斷研究中，故障特征提取和模式識別關系到故障診斷的可靠性和準確性，因此是旋轉機械故障診斷研究中的關鍵問題。利用軸承和齒輪的振動信號對其工作狀態(tài)進行監(jiān)測和診斷是目前旋轉機械故障監(jiān)測和診斷研究中最常用的方法。本學位論文應用經驗模態(tài)分解、總體平均經驗模態(tài)分解和局部均值分解等信號處理方法進行故障特征提取，并應用支持向量機進行故障模式識別。其主要內容如下：
　　1、基于經驗模態(tài)分解的軸承和齒輪故障診斷研究。
　　針對

2、旋轉機械設備的工作環(huán)境惡劣難以提取故障頻率的實際情況，應用奇異值差分譜理論對經驗模態(tài)分解得到的本征模式分量進行消噪，更好地得到了軸承故障頻率；通過計算經驗模態(tài)分解所得到的本征模式分量的能量熵，在能量域角度找到了齒輪的故障特征，并進一步應用支持向量機對其進行模式識別，通過實例驗證此方法的可行性；通過計算經驗模態(tài)分解所得到的本征模式分量的奇異值熵，找到了齒輪的故障特征，并進一步應用支持向量機對其進行模式識別，通過實例驗證此方法的有效性和在小

3、樣本情況下的可行性。
　　2、基于總體平均經驗模態(tài)分解的齒輪故障診斷研究。
　　針對齒輪振動信號的非平穩(wěn)特征和現實中難以獲得大量典型故障樣本的實際情況，提出了基于總體平均經驗模態(tài)分解和支持向量機的齒輪故障診斷方法。首先通過總體平均經驗模態(tài)分解方法將非平穩(wěn)的原始加速度振動信號分解成若干個平穩(wěn)的本征模式分量；齒輪發(fā)生不同的故障時，在不同頻帶內的信號能量值會發(fā)生改變，故可通過計算不同振動信號的能量熵判斷是否發(fā)生故障；從包含有主要故

4、障信息的本征模式分量中提取出來的能量特征作為輸入建立支持向量機，判斷齒輪的工作狀態(tài)和故障類型。實驗結果表明，文中提出的方法能有效地應用于齒輪的故障診斷。
　　提出了一種基于總體平均經驗模態(tài)分解奇異值熵和支持向量機的齒輪故障診斷方法。首先通過總體平均經驗模態(tài)分解方法將非平穩(wěn)的原始加速度振動信號分解成若干個平穩(wěn)的本征模式分量，將得到的若干個本征模式分量自動形成初始特征向量矩陣；然后對該矩陣進行奇異值分解，提取其奇異值作為故障特征向量，

5、并對其進行歸一化，求得奇異值熵，根據奇異值熵值大小可以判斷齒輪的故障類型；將奇異值故障特征向量作為支持向量機的輸入，判斷齒輪的工作狀態(tài)和故障類型。實驗結果表明，即使在小樣本情況下，基于奇異值分解和支持向量機的故障診斷方法仍能有效地識別齒輪的工作狀態(tài)和故障類型。
　　3、基于局部均值分解的軸承和齒輪故障診斷研究。
　　首先對軸承的振動信號進行隨機共振消噪，然后對降噪振動信號進行局部均值分解，成功地提取出了軸承故障特征；應用局部

6、均值分解對齒輪振動信號進行分解得到若干個乘積分量，求取每一個乘積分量的近似熵，進而找到故障特征向量，最后應用支持向量機對其進行模式識別。通過一故障診斷實例對此方法的可行性和有效性進行了驗證，并與神經網絡在訓練時間和分類準確性方面進行了對比；通過求取經過LMD分解所得乘積分量的Lempel-Ziv指標獲得軸承故障特征向量，進行了有效準確的故障診斷。
　　4、基于極值域均值模態(tài)分解的滾動軸承和轉子系統(tǒng)故障診斷。
　　針對滾動軸承

7、損傷性故障的故障診斷問題，提出了基于極值域均值模態(tài)分解的故障診斷方法，進行了故障特征頻率的提取。首先將原始信號分解成若干個本征模式分量，然后通過計算各個本征模式分量與原始信號的相關系數確定包含故障特征信息的主要成分，除去虛假分量。最后針對主要成分的本征模式分量進行Hilbert包絡解調提取故障特征，即軸承的損傷性故障特征。通過工程實例信號的分析結果以及與經驗模式分解方法的對比均表明，該方法能夠較快地提取軸承的故障特征。
　　針對轉

8、子不平衡故障和滾動軸承微弱損傷性故障的復合故障診斷問題，提出了基于第二代小波和極值域均值模態(tài)分解的故障診斷方法，進行了復合故障的耦合特征分離和故障特征頻率的提取。該方法首先應用第二代小波對原始信號進行分解與重構；然后針對分解與重構出的低頻信號進行頻譜分析提取低頻非調制故障特征；最后針對高頻共振調制信號進行解調分析，以準確提取調制故障特征。通過工程實例信號的分析結果表明，該方法能夠提取轉子系統(tǒng)的復合故障特征。
　　5、總結全文并提出