1、作為旋轉機械中廣泛應用的關鍵部件，汽輪機發(fā)電機組轉子系統(tǒng)和軸承的運行狀態(tài)直接影響機械設備的性能甚至整個生產(chǎn)線的安全，深入開展汽輪機發(fā)電機組轉子系統(tǒng)和軸承等旋轉機械故障診斷技術的研究，對于保障設備安全運行、減少重大的經(jīng)濟損失和避免災難性事故的發(fā)生具有十分重要的意義。然而，由于大多數(shù)旋轉機械的故障信號是非線性、非平穩(wěn)、時變信號，導致機械設備的狀態(tài)特征信息無法直接體現(xiàn)出來。因此，選用正確的信號分析方法來提取故障信號中的特征信息一直是一個研究熱

2、點。于是，研究學者提出了許多時頻分析方法，如短時傅里葉變換(Short Time Fourier Transform，STFT)、小波變換(WaveletTransform，WT)、維格納-威爾分布(Wigner-Ville Distribution，WVD)等，但是這些時頻分析方法都存在各自的缺陷，因此迫切需要研究新的旋轉機械故障診斷技術。本文對經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)、局部均值

3、分解(Local Mean Decomposition，LMD)、固有時間尺度分解(Intrinsic Time-scaleDecomposition，ITD)、可變模式分解(Variational Mode Decomposition，VMD)方法的理論及其在旋轉機械故障診斷中的應用進行了深入的研究。主要研究工作和成果如下:
　　(1)研究了改進果蠅算法(Modified Fruit Fly Optimization Algor

4、ithm，MFFOA)的支持向量機(Support Vector Machine，SVM)的參數(shù)優(yōu)化方法，并建立了模式識別功能的MFFOA-SVM分類器新模型。首先詳細闡述了支持向量機和果蠅優(yōu)化算法的理論研究，并對智能的果蠅優(yōu)化算法進行了改進，使得該算法的局部搜索能力逐漸的增強，能夠提高覓食早期全局最優(yōu)解的概率，避免陷入局部最優(yōu)，覓食末期能夠達到最大的搜索精度，從而實現(xiàn)全局搜索能力和局部尋優(yōu)能力的平衡。然后采用改進的果蠅優(yōu)化算法優(yōu)化支持

5、向量機參數(shù)，建立了MFFOA-SVM模型，解決了傳統(tǒng)選擇參數(shù)方法的缺陷，提高了參數(shù)尋優(yōu)的算法對機器學習的性能。
　　(2)針對EMD分解產(chǎn)生的模態(tài)混疊問題，引入了EEMD分解算法來消除模態(tài)混疊的影響，仿真結果表明，EEMD分解算法可以有效的抑制模態(tài)混疊現(xiàn)象的發(fā)生，提高了EMD算法的分解精度。提出了基于EEMD、改進果蠅算法優(yōu)化和支持向量機參數(shù)的軸承故障診斷方法。該方法利用EEMD分解故障信號，選擇基本模態(tài)函數(shù)(Intrinsic

6、Mode Functions，IMF)的均方根值和重心頻率作為特征向量。為了提高診斷精度，采用改進果蠅優(yōu)化算法優(yōu)化SVM參數(shù)，通過建立的MFFOA-SVM模型，對所提取的實測信號的特征向量進行訓練和測試，并將其與EMD、MFFOA-SVM診斷預測結果進行對比，實驗結果表明了該方法提高了軸承故障診斷的正確率。
　　(3)研究了LMD、切片雙譜和SVM軸承故障診斷方法。該方法利用LMD分解故障信號，選擇其峭度值較大的乘積函數(shù)分量重構故

7、障信號，做其切片雙譜進一步降低高斯噪聲對故障特征頻率的影響，提取切片雙譜中軸承故障特征頻率1X、2X和3X數(shù)值做歸一化處理，得到一組特征向量。利用支持向量機對所提取的實測信號的特征向量進行訓練和測試，并將它們應用到軸承外圈點蝕、內(nèi)圈點蝕和滾動體點蝕的故障診斷中，結果表明該方法能夠有效地提取出故障特征頻率，并且對其故障類型做出準確判別。
　　(4)研究了基于改進固有時間尺度分解(Modified Intrinsic Time-sca

8、leDecomposition，MITD)、改進果蠅算法優(yōu)化支持向量機參數(shù)的轉子故障診斷方法，該方法信號處理具有自適應性。該方法利用MITD分解故障信號，進行Teager能量算子解調(diào)后，選取各個內(nèi)稟尺度分量(Intrinsic Scale Component，ISC)的特征向量。采用改進果蠅優(yōu)化算法優(yōu)化SVM參數(shù)，通過建立的MFFOA-SVM模型，對所提取的實測信號的特征向量進行訓練和測試，并將它們應用到轉子不同故障診斷中，實驗結果表明