旋转机械作为机械结构中的重要组成部分,在设备运行中扮演着至关重要的作用,然而恶劣的工作环境极易引发机械故障。同时,旋转机械的微弱故障特征不明显,并伴随强背景噪声,使得微弱故障不易察觉,给故障识别带来了诸多难题。本文针对旋转机械的微弱故障识别以及健康状态监测问题,基于稀疏表示方法提取故障信号特征,基于稀疏表示理论和极限学习机理论进行故障模式识别和运行状态监测,研究主要内容如下:(1)针对小波字典参数难以确定的问题,提出了故障冲击匹配方法用于识别小波参数,首先根据重新定义的小波支撑区间对信号进行分割,计算各个子信号与小波的相似性得到相似度序列,最后以峭度指标评价该序列,选取最大峭度值对应的小波参数构建字典。将该方法用于仿真信号和故障实例信号,结果表明故障冲击匹配法能够较为快速、准确地识别出小波参数,构造的小波字典能够提取出较为明显的故障冲击波形,诊断出故障;(2)故障冲击匹配法为遍历算法,步长较难确定,计算时间依然较长。将水循环优化算法引入诊断流程,提出了自适应小波字典构造方法用于旋转机械故障诊断。首先基于故障冲击匹配法和水循环算法自适应确定小波参数,然后构造字典使用正交匹配追踪(OMP)算法提取故障冲击波形,最后使用包络谱分析诊断故障类型。诊断过程减少了人为干预,避免先验知识的使用,增加了计算效率。基于轴承故障实验和齿轮故障实验对该方法进行了验证,试验表明此方法可以较为准确的提取出故障特征,识别出故障类型,达到故障诊断的目的;(3)提出了基于稀疏理论和极限学习机理论的故障模式识别方法。以训练集样本为K-均值奇异值分解(K-SVD)字典的学习样本,得到自适应字典,基于该字典使用OMP方法提取每个样本的稀疏特征。以稀疏特征作为输入,多层极限学习机分类模型取得了较好的准确率,可用于故障模式识别;多层极限学习机回归模型可以较好刻画轴承劣化状态,可用于故障状态监测。