在机械工程领域,转子系统作为关键部件得到广泛应用,保障其正常工作运转,可为企业和国家带来显著的经济效益与社会效益。由于转子系统结构复杂性、工况多样性,直接测量载荷激励往往不易得到预期结果,需要借助载荷辨识方法获得其类型与大小,进而掌握转子系统所受载荷的情况。所以,转子系统载荷辨识方法研究对其运行工况监测、故障早期预警与诊断具有重要的理论与实际意义。本文分别基于振动信息、电机电流信息以及融合信息进行转子系统载荷辨识,为转子系统的载荷辨识研究提供一种方法与思路:(1)以研制的中速转子系统试验台与搭建的低速转子系统试验台为建模原型,分别推导出两类转子系统的弯扭耦合振动微分方程。还建立了中速转子系统在电机mt坐标下的耦合数学方程和低速转子系统的机电耦合方程。并相应构建了转子系统动力学弯扭耦合模型与机电耦合模型。在典型载荷(冲击、稳态、线性、简谐与暂态载荷)的分别作用下,对两类转子系统振动与电机电流特性进行了仿真分析。基于理论与仿真的一致性,说明构建的模型可以有效模拟转子系统的运行、受载及响应。(2)面向振动响应信息,提出了基于集合经验模态分解能量化和反向传播神经网络分类筛选的机械转子系统载荷定性辨识方法。分别针对五种不同类型载荷激励下的两类转子系统试验台,通过转子系统振动信号能量化分析;对得到的不同载荷作用下各本征模态函数分量进行能量特征提取,用于表征不同载荷特性。以振动特征信息作为样本,提出通过反向传播神经网络模型来辨识载荷类别。同时还提出极限学习机方法回归拟合转子系统各类型载荷激励。经过对两类转子系统试验台的载荷辨识,结果显示载荷辨识效果在允许误差范围内。(3)提出了转子系统电机电流信息强化处理方法。将快速傅氏变换后的电流频域信号,运用奇异值分解方法除去信号工频成分;再通过小波包分析提取信号能量特征,有益于后续载荷辨识。提出了不同类型的载荷激励下,基于电机电流信息的转子系统载荷定性辨识方法。利用学习矢量量化神经网络方法将测试集数据导入训练好的网络,从而得到输出的载荷分类。还提出了基于电机电流信息的转子系统载荷定量辨识方法。根据转子系统的动态激励和对应的实测电机电流响应,构建转子系统动态载荷定量辨识广义回归神经网络关系模型,再反求出转子系统所受载荷的幅值;简谐载荷频率通过希尔伯特模量法求得,进而实现简谐载荷的定量辨识。通过与试验数据比较,结果验证了载荷辨识方法的可行性。(4)针对不同类型的载荷激励,提出了基于贝叶斯估计的转子系统载荷定性辨识方法。将振动与电机电流响应信息转化到频域后采用“奇异值分解-小波包分析”方法进行预处理。接着采用特征级融合中的贝叶斯估计方法分别对预处理后样本进行概率计算,从而成功辨识出转子系统的载荷类型。基于融合信息,还提出了转子系统载荷定量辨识的支持向量机回归方法。根据转子系统的动态激励和对应的信息响应特征点,构建优化的转子系统动态载荷定量辨识回归关系模型,进而回归出转子系统的载荷激励,辨识结果满足实际辨识的需要。(5)根据研究内容,研制与搭建了基于振动与电机电流信号的两类载荷辨识试验平台:转子系统中速试验台,以及转子系统低速试验台。试验台设计基于磁粉制动器控制器和数据板卡,实现了给转子系统精确施加多类型任意参数的扭矩激励。根据试验设计方案在两类试验台上完成相应的载荷辨识试验,并同步采集相应的振动与电机电流信息。通过载荷辨识结果与试验真值的比较,显示辨识精度较高。因此验证了前述理论研究的可行性,为机械装备转子系统动力学设计、运行监测、载荷辨识与故障诊断提供了理论依据和试验支持。