振动信号是旋转机械状态监测与故障诊断的基本信息来源,而这些信号通常为非线性、非高斯的非平稳信号。通过小波变换所得的故障信号的小波尺度谱,其纹理分布及灰度变化能够较好的反映出故障的非平稳特征,对其进行特征提取并应用于故障诊断中,有利于转子故障的智能诊断。目前提出的小波尺度谱特征提取的方法主要有基于小波系数矩阵的一阶灰度矩向量以及尺度谱纹理特征。上述两种尺度谱特征提取的方法,从图像像素的二阶统计特性方面对故障特征进行了描述,提取了较好的故障特征,但未对故障的非线性特征进行相应的分析,忽略了图像中的高阶统计信息。针对上述问题,本文提出了利用核主成分分析(KPCA)对尺度谱图像进行特征的提取,并利用参数自适应支持向量机模型对提取的尺度谱特征进分类,结果表明了该方法对尺度谱特征提取的有效性。第一,阐述了连续小波变换的基本原理,小波基函数的性质和本文中选择小波基函数的依据。分析和研究了转子不平衡、不对中、碰摩及油膜涡动等四类典型转子故障的故障机理、频谱特征和相应的尺度谱图像特征。第二,对尺度谱的一阶灰度矩向量、尺度谱纹理特征的提取方法进行了介绍。研究了核方法的基本原理以及几种常用的典型核函数,介绍了主成分分析(PCA)的基本方法和原理,并将核方法与PCA方法结合,提出了基于核主成分分析(KPCA)的小波尺度谱特征提取方法。利用ZT-3多功能转子故障模拟实验系统、航空发动机转子故障实验器对上述四类故障进行数据模拟和采集。提取了上述故障样本的小波尺度谱图像特征,并对所得的特征数据进行了分析研究。第三,研究了支持向量机分类模型的原理和其在学习分类中的优越性。针对目前支持向量机模型参数的确定尚无标准的方法,研究了核函数参数σ及支持向量机惩罚因子C,对模型分类效果的影响,并采用遗传算法对上述两个参数进行了优化,构造形成了参数自适应的支持向量机模型。最后运用该模型对所提取的尺度谱特征进行分类识别。实验结果表明,利用KPCA方法所提取的尺度谱数字特征具有较强的故障识别能力,通过该方法提取的特征可以有效的实现转子故障的智能诊断。