在矿山、石化、冶金以及建材等重大型工程领域中,旋转机械是构成各类型机械设备的主体,与此同时,其故障类型同样占据着机械设备故障的绝大部分的范畴,因此,开展旋转机械故障诊断研究对于保障设备连续、稳定、安全、高效地运行具有重大作用。针对现有关于上述领域中旋转机械故障诊断研究极易被忽略的三个关键问题:由强背景噪声引发的故障信号的显著微弱性、基于单一传感器信息获取的不全面及不精确性以及对智能故障诊断需求的迫切性,本课题以噪声背景中的旋转机械为研究对象,围绕着多传感器信息融合智能故障诊断过程这一主线,逐步展开微弱信号处理、特征提取与评价、特征维数约简以及智能模式识别与分类四个环节的深入研究,旨在为解决强噪声背景中基于多传感器信息融合的旋转机械智能故障诊断若干关键技术问题提供新的思路。论文的主要研究内容如下:针对单纯采用随机共振(SR)对多频微弱故障信号进行处理时遭遇到的诸如因有用频率成分个数繁多引起的信号增强效果不理想等难题,提出了一种基于经验小波变换(EWT)与自适应参数补偿SR阵列相结合的多频微弱信号特征同步增强方法。其中,EWT用于实现待测多频信号到若干具有紧支撑傅里叶谱的调幅-调频分量的自适应分解,从而保证各分量信号中频率成分的单一性;构建了一个自适应参数补偿SR阵列模型,用于实现多个单分量弱信号的并行特征增强检测,模型中各单元均采用“参数补偿前处理操作+经典双稳态随机共振模型”结构,并提出了一种改进双层量子遗传算法,用于实现各共振单元中系统结构参数的优化;对各单元共振输出结果进行带通滤波后再合成,从而获得原始待测多频微弱信号的增强版本。经仿真及实测故障信号分析表明提出的方法能够高效地实现多频微弱信号的特征同步增强。针对传统基于单一测度的特征评价模型在故障特征敏感度学习中的“欠学习”问题,提出了一种基于多测度最优混合模型的多域多类别故障特征敏感度学习方法。以一个由时、频域统计特征及基于EMD的能量与Lemple-Ziv复杂度特征组成的多域多类别原始特征集为基础,构建了一个同时考虑距离、信息及相关性等多测度的乘积混合特征评价与加权框架模型,同时依据综合特征敏感度分值序列变异系数最大的原则从多个备选混合模型中优选出最佳的多测度组合策略,并利用与该最优测度组合策略对应的混合评价模型对原始故障特征集进行综合敏感度学习,最终将各特征参量的敏感度得分结果以其对应特征权值的形式对原始特征集进行赋权。与现有四种基于单一测度的特征加权方法进行对比分析表明,所提出的新方法能够使得加权后故障特征集具有更好的聚类与分类能力。针对传统旋转机械故障诊断中多传感器特征层“特征-特征”融合的常规处理方法通常忽略了不同传感器数据间的结构与空间信息,且特征维的串行叠加处理加剧了“维数灾难”的发生等问题,提出了一种基于集成矩阵距离测度下监督二阶张量局部保持投影算法(SSTLPP-AMDM)的旋转机械多传感器融合故障特征维数约简方法。其中,采用二阶张量对来自多个传感器的故障特征信息进行时空融合,旨在获取更多状态信息的同时保留来自不同传感器故障特征间的空间结构信息且不会造成特征的维数激增;对经典二阶张量局部保持投影(STLPP)算法中相似度加权矩阵忽略了局部邻域信息与类别标签信息等问题进行了改进,提出了一种监督相似性加权矩阵构建方法;同时,针对STLPP算法中基于Frobenius距离测度的样本相似性评价对不同样本间匹配性能表述不足的问题,提出了一种基于AMDM的样本相似性计算方法,从而使得新提出的SSTLPP-AMDM具有比经典STLPP更好的特征降维效果。针对传统的基于单一模式识别与分类算法的旋转机械故障诊断结果通常表现出显著的不确定性等问题,提出了一种基于支持张量机模型(STM)与集成矩阵距离测度下k最近邻分类算法(KNN-AMDM)集成的旋转机械多传感器决策融合智能故障诊断方法。以基于多传感器信息特征层融合维数约简获得的低维二阶张量特征样本数据为输入,分别采用STM分类模型与KNN-AMDM分类算法对其进行故障局部诊断,由此获得D-S证据理论中各自独立的证据体,其中,KNN-AMDM分类算法实质是经典k NN分类算法的二阶张量扩展;以上述两种分类模型的诊断结果为依据构造对应证据体的基本概率分配,经证据合成及诊断决策最终获得精确的决策融合故障诊断结论。设计并实现了噪声背景中基于多传感器信息融合的旋转机械故障诊断平台。在对该平台的需求进行简要分析的基础上,设计了平台的总体体系结构及各功能子系统结构;结合新型干法水泥生产线中的生料立磨主减速机故障诊断实例详细分析了本文提出的微弱信号特征同步增强、多域多类别故障特征的提取与多测度最优混合评价加权、基于多传感器张量融合的故障特征维数约简及多传感器决策融合智能故障诊断方法的应用效果;通过对应用效果进行综合分析,验证本文提出的用于解决噪声背景中旋转机械多传感器信息融合智能故障诊断所涉及四项关键技术问题的新方法的实用性及技术优越性。