旋转机械在运行过程中的声振信号包含了大量的转子运行状态信息，变速过程中故障声信号特征的提取及其识别对于旋转机械故障诊断是极其必要的。对于很多机械设备由于工作环境(例如，高温、高湿、高腐蚀及有毒、有害环境)以及结构限制，一般振动信号不易测取或根本不能测取，因此对其进行状态检测及正确的故障诊断存在一定的难度。作为机械振动在传声媒质中的一系列力学振动传递表现，声振信号同样蕴含着机械设备工作状态的重要信息，基于声振信号测量的声学故障诊断技术具有信号易于测取，非接触式测量，不影响设备正常工作等优点，是一种可行的快速故障诊断方法，目前许多学者开始研究声学故障诊断方法。 声信号故障诊断技术的主要问题在于观测声信号与现场噪声信号的混合信号，待监测设备的故障特征被淹没在噪声信号中，因此，寻求一种有效的噪声识别去除方法与声振信号故障特征提取方法是声振信号故障诊断的关键。作为近年来出现的信号处理方法，如声信号单边谱、加速度信号全谱分析方法、经验模式分解和支持向量机技术，对解决复杂机器声振信号识别分离问题非常适合，为此，本文研究机器声信号单边谱和加速度信号全谱分析方法、经验模式分解和支持向量机技术及其在声振信号故障特征提取中的应用。全谱分析方法、经验模式分解和支持向量机技术在理论上已取得了一定成果，然而，目前很少有人将它们应用到机器声振信号识别、分离与声振信号故障诊断领域，本文的研究目的是以复杂环境下的机器声振信号作为监测信号，研究声信号单边谱和加速度信号全谱分析方法、经验模式分解和支持向量机技术并解决其工程应用问题，从观测的混合声振信号中识别分离待监测设备声振信号并提取其特征，初步建立基于声振信号故障诊断思想与系统，为进一步完善声振信号诊断理论与方法奠定理论与实践基础。 论文首先概述国内外声学诊断研究进展，给出机器噪声声场的数学描述，讨论了声辐射等基本问题，最后对实验进行了介绍，实验内容包括试验总体介绍，传感器布置与试验方案及工况三个部分，为后续章节研究作了必要的实验准备与论证基础。在此基础上，论文的研究工作分为以下五个部分： 第一部分研究适用于声振信号特征提取的识别分离算法，介绍并提出基于声信号振动、冲击、噪声国家重点实验室单边谱、加速度信号全谱分析算法，以频谱特征或时频特征作为识别分离目标，从混合信号中识别声振信号频谱特征或时频特征，最大限度地保留了与声振信号特征提取有关的频谱特征或时频特征，声信号单边谱、加速度信号全谱分析方法能在一定程度上识别设备噪声信号之间的相互干扰，能够鉴别出各个设备的主要特征，是一种有效的信号预处理方法，实验结果证实了算法的有效性。 第二部分介绍支持向量机，支持向量机是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机和声信号单边谱、加速度信号全谱分析的声振信号故障诊断方法。实验分析结果表明：该方法可实现对有一定背景噪声下的故障声振信号对转子在升降速运行时的多故障的识别和诊断。 第三部分研究双线性时频分析及声学故障特征提取方法和声振监测与诊断系统。给出基于独立分量分析方法、经验模式分解的非平稳声振信号特征提取双线性时频分析方法，有效地消除了多分量信号的交叉项。并初步建立基于诊断知识的框架和规则表示的声振监测与诊断系统。 第四部分研究基于高阶统计量和支持向量机的故障声振信号特征提取方法，高阶统计量可以大大提高信号的信噪比，并可定量描述随机信号偏离正态分布的程度，信号的高阶累积量的值越大，其偏离正态分布的程度就越严重。而在许多机器中，其声振信号偏离正态的程度恰恰反映了机器故障的冲击程度，因而高阶统计量可以作为信号预处理和机械故障声振信号特征提取的方法推广应用。结合支持向量机和高阶统计量可以对典型设备的不同工作状态进行有效监测与故障诊断。 最后，研究了非线性、非平稳、非高斯高阶时频分布在声振信号特征提取中的应用。提出了基于独立分量分析和经验模式分解的魏格纳高阶谱，给出了高阶谱主切片在实测声振信号分析中的应用实例。实例研究证明了改进后的高阶魏格纳分布在旋转机械故障诊断中的应用前景。