机械设备是现代化生产的重要工具,对其开展运行状态监测及故障诊断对于保障安全化生产具有重要意义。识别早期故障征兆并提取故障特征,是机械设备状态监测及故障诊断的关键。近年来快速发展的信号稀疏表示理论,为基于振动分析的早期故障特征提取及诊断提供了强有力的工具。本论文以国家自然科学基金项目“低速重载机械早期故障稀疏特征识别的研究”为依托,以信号稀疏表示为主要理论工具,围绕机械设备易发生故障部件——轴承和齿轮的早期故障特征提取及诊断开展了深入研究。主要研究内容如下:1.针对早期故障特征易被噪声覆盖而难以准确提取的问题,提出了基于可调Q因子小波变换的早期故障特征提取方法。该方法先利用可调Q因子小波变换对设备的振动信号在不同的Q因子和尺度下分解,以峭度值最大原则确定最佳的Q因子和尺度带,再利用相邻系数降噪方法处理尺度带内的变换系数,最后通过小波逆变换提取故障特征。实验研究表明,该方法可有效提取设备在中速运转下的早期故障特征,相比于传统小波方法,其提取结果噪声更小,包络谱图上故障特征频率更突出。2.针对利用稀疏表示原理对早期故障特征提取时、准确匹配特征成分的字典难以构造的问题,提出了基于字典学习的早期故障稀疏特征提取方法。该方法以故障信号与正常信号的差值为训练信号,利用改进型K均值奇异值分解字典学习算法构造匹配特征成分的字典;在稀疏分解过程中,通过计算每次迭代后逼近信号的峭度值,找出峭度值最大时对应的逼近信号,自适应确定特征成分与噪声成分的稀疏分解分界点。对比实验结果表明,该方法可有效提取设备在低速运转下的早期故障特征,相比于参数化的字典,其提取结果具有更高的精度。3.针对故障部件参数未知的单一故障诊断问题,提出了基于组稀疏分类的故障诊断方法。该方法先将已知故障类型的训练样本和未知故障类型的待测样本转换至频域,利用训练样本的频域系数组合成稀疏分解的字典,再将待测样本的频域系数在该字典上进行组稀疏分解,最后根据各组重构误差的最小值所在的类别确定故障类型。通过故障实验测试,验证了该方法在理论特征频率的未知情况下,可准确诊断出滚动轴承和齿轮的单一故障类型。4.针对故障部件参数未知的复合故障诊断问题,提出了基于小波包系数稀疏分类的故障诊断方法。该方法先对已知各单一故障类型的训练样本进行小波包变换,凭借距离评价参数筛选出具有类别差异的频带,并利用这些频带内的小波包系数构造稀疏分解的字典组,再将待测复合故障类型的测试样本小波包频带系数在对应字典上稀疏分解,通过各组稀疏重构误差最小值所在类别逐一判断复合故障类型。轴承和齿轮的复合故障诊断实验结果验证了该方法的有效性。