随着现代科学技术的迅猛发展,在工业制造、航空航天、石油化工、能源冶金以及国防工业等领域,逐步涌现出许多大型复杂的旋转机械装备,如风力发电机、航空发动机、工业燃气轮机等,这些旋转机械一旦发生故障,不但严重影响企业的生产效率,造成巨大的经济损失,甚至造成不可挽回的人员伤亡。解决因旋转机械故障导致巨大经济损失、人员伤亡和灾难性事故发生的关键是开展旋转机械早期故障诊断技术研究,即在故障萌芽阶段对其进行准确的辨识,并据此指导保养和维修工作,有效地控制故障发展,保障旋转机械安全、可靠运行。大型旋转机械结构日益复杂、运行环境恶劣、工况不稳定,表征其运行状态的振动信号具有非线性强噪声特点,而旋转机械早期故障特征微弱,淹没于强噪声环境中,难以提取;大型旋转机械早期故障孕育于设备运行的正常状态且处于不断发展变化中,故障原因与故障表征间映射关系模糊且早期故障样本稀缺,故障辨识难度大;单一传感器获取的状态信息只能反映旋转机械局部运行状态,大型旋转机械采用多个不同位置传感器获取的状态信息来刻画整体运行状态,需要对多传感器多识别模型下独立局部诊断结果进行决策融合。论文针对大型旋转机械强噪声干扰下非线性微弱特征提取、小子样模糊信息故障识别、多源多模型决策融合诊断等问题,深入研究基于流形学习的旋转机械早期故障融合诊断方法,具体研究内容如下:①针对大型旋转机械振动状态非线性微弱特征难以提取的问题,提出了基于自适应流形学习的旋转机械微弱特征融合提取方法。采用自适应局部切空间排列流形学习和相空间重构相结合的方法,对旋转机械强噪声振动信号进行非线性降噪;然后构建混合域高维特征集,以全面、综合、深入地刻画旋转机械装备的整体运行状态;提出基于Dezert-Smarandache证据理论的多准则融合评价序列进行特征选择,剔除原始高维特征集中干扰特征;最后把优化高维敏感特征子集输入到自适应正交邻域保持嵌入流形学习中进行特征融合约简,进一步剔除特征集中的冗余特征,实现非线性微弱特征的融合提取。②针对大型旋转机械故障诊断中故障样本稀缺和故障原因与故障表征间映射关系模糊的问题,提出了流形距离度量的有监督模糊C均值聚类旋转机械故障识别方法。有监督模糊C均值聚类在硬聚类基础上扩展了隶属度的取值范围,具有更好的模糊信息表达能力;在小子样情况下,算法保留了对监督样本的模糊性划分,同时通过监督项比例系数调节监督样本的“典型程度”来更好地引导聚类,当发现监督样本信息有误时,能有效减少噪声监督项对整体分类效果的影响;采用非参数核密度估计融合监督样本的类别标签信息,设置初始聚类中心,提高迭代效率;采用流形距离度量,更好地处理空间分布复杂的现实数据,使算法更具普适性,实现大型旋转机械小子样模糊信息早期故障的有效识别。③针对大型旋转机械故障诊断中单一传感器振动信号故障诊断的局限性问题,提出了基于模糊一致性矩阵的多源多模型加权决策融合诊断方法。通过对冲突系数设置阈值,合理选用Dempster-Shafer证据理论或Dezert-Smarandache证据理论进行多源非冲突或冲突性信息的决策融合;其中各传感器的可靠性由其训练样本的模式识别精度体现,通过模糊一致性阵综合衡量各传感器的可靠性,计算多源多模型下的权值系数;对各传感器故障识别结果进行加权,提高决策融合诊断的容差性和鲁棒性,实现大型旋转机械多源多模型下局部诊断结果的有效融合。④根据以上研究方法,研发了一套集数据采集、信号处理、微弱特征提取、故障识别、决策融合诊断等功能为一体的旋转机械状态监测与早期故障诊断系统,并进行了实际应用。文章最后对本文的工作进行了总结,并展望了下一步的研究方向。