转子系统是旋转机械的核心部件,随着旋转机械向复杂化和大型化发展,转子系统在运行中的振动特性,成为影响机组安全运行的重要的因素之一。同时,在旋转轴的运行过程中,轴系还会承受复杂多变的载荷激励,在载荷激励下,转子系统的弯扭耦合特性呈现出新的变化,因此,研究载荷激励下转子系统的振动特性,为转子系统载荷识别和故障诊断提供了理论依据。首先,为了监测转子系统的振动以实现载荷的辨识,本文在考虑弹性旋转轴和刚性盘的基础上,忽略轴承油膜力等其他因素的影响,以载荷和偏心距为纽带建立了以拉格朗日为基础的机械转子系统的弯扭耦合模型,在MATLAB/Simulink环境下创建仿真模型,利用ode45(Runge-Kutta算法)计算仿真模型的解析解。通过仿真得到了各载荷状态下振动信号的时域变化规律:加载的幅值越大,其振动位移曲线偏离相对不加载的平衡位置的位移量就越大,并且变化特性与载荷加载特性相一致。其次,为了实现精确有效的载荷识别,对转子系统中常见的5类载荷进行定性和定量分析。提出了神经网络、奇异值分解(Singular Value Decomposition,SVD)、集合经验模分解(Ensemble Empirical Mode Decomposition,EEMD)相结合的转子系统的定性识别方法以及反演模型、回归预测相结合的定量识别方法。巧妙运用SVD分解的特点,对原始信号进行重构弱化转频成分,凸显振动信号中不同类型加载载荷的频率成分;利用EEMD对重构信号进行特征提取和能量化;最后将特征量输入到网络中进行分类识别,完成载荷的定性识别。在载荷定量识别过程中,提出了两种方法。第一是对数学模型进行反演,利用振动信号反解出载荷;第二是在定性识别的基础上,提取信号的最大特征值,利用网络的回归能力进行载荷识别。最后,研制转子系统试验台,根据载荷特点和试验条件制定合理的试验方案,完成加载试验。将试验数据和仿真数据进行了对比分析,分析表明仿真模型和载荷识别方法的正确性和有效性。本课题的研究为转子系统载荷识别和故障诊断提供了理论支持和试验验证。