本文的研究是在国家“十三五”重点研发计划（2016YFF0203301）和中广核工程有限公司委托项目（20200513）的资助下开展的。作为工业装备中的关键设备,离心泵的运行状态将会直接影响到工业生产的安全性和经济效益。因此,为了有效预防离心泵故障对设备运行造成的损害及其诱发的灾难性后果,有必要开展离心泵典型故障诊断及预警方法研究。本课题以立式离心泵为研究对象,基于立式离心泵常见的转子不平衡、转子不对中和支座连接松动等典型故障,开展信号降噪处理、故障特征参量提取、故障特征集降维和故障模式识别四个基于机器学习的智能故障诊断关键环节的研究,并通过将各环节的算法整合开发了针对立式离心泵典型故障的诊断系统。旨在为立式离心泵典型故障实时准确诊断中遇到的关键技术问题提供新的思路和方法。本文主要内容及成果如下:1.系统的介绍了当前基于机器学习的旋转机械智能故障诊断的主要流程,并分别从故障信号采集技术、故障特征参量提取、故障特征集降维和故障模式识别四个方面总结分析了国内外的研究现状及发展趋势。通过对比分析不同方法的优缺点,选择适用于立式离心泵典型故障的诊断方法,最后对现有的状态监测及故障诊断系统的发展做了较为全面的概括。2.研究和分析了立式离心泵转子不平衡、转子不对中和支座连接松动故障产生的原因及振动机理,总结了不同故障的振动特性及频谱特征。通过搭建立式离心泵转子实验台对上述的几种故障进行了实验仿真分析,掌握了不同故障在不同运行工况下对机组振动特性的影响规律。3.为了降低振动信号中存在的突变和时变性随机噪声成分对故障特征提取及模式识别的影响,通过卡尔曼滤波的方法对采集的原始信号进行降噪处理,滤波后的故障信号特征频率更加明显,且能更加准确地反映出故障状态的特征信息;为了解决基于单一测度的特征参量提取存在故障状态信息挖掘不足而导致故障识别率不高的问题,基于时域、频域的统计特征和经验模态分解（Empirical Mode Decomposition,EMD）的时频能量特征提出了一种多域多类别的立式离心泵典型故障特征提取方法;同时,考虑到原始故障特征集的复杂度和维度过高而造成的计算效率下降问题,提出了一种针对故障特征参量权重不同而实现特征集降维的方法,该方法采用ReliefF算法对基于多域多类别提取的特征参量进行特征加权,根据各个特征参量在不同故障中的权重不同,基于贡献度阈值实现对特征参量的筛选并结合加权核主成分分析（Weighted Kernel Principal Component Analysis,WKPCA）方法实现对故障特征集的降维分析。结果表明该方法有效地提取出了正常、转子不平衡、转子不对中和支座连接松动四种立式离心泵运行状态的核主元特征点,且不同运行状态的核主元特征点具有更好的类内聚集度和类间分散度。4.为了解决支持向量机（Support Vector Machine,SVM）关键参数值的选择依靠个人经验的局限性,提出了一种针对SVM参数寻优的立式离心泵多故障诊断方法,分别采用粒子群优化算法（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）对SVM进行关键参数的全局化寻优,并将两种方法与传统的SVM模型应用于立式离心泵典型故障的分类识别。结果表明,传统的SVM模型对四种运行状态组成的特征集的识别准确率只有81.5%,而基于PSO-SVM和GA-SVM两种模式识别模型的识别准确率均达到了100%。相比GA-SVM而言,在PSO-SVM的迭代寻优过程中,适应度值可以更快更好的达到收敛,PSO-SVM具有更高效的故障识别能力。5.基于本文中所提及的相关信号处理和故障识别方法,将自动化技术与虚拟仪器技术相结合,设计和开发了立式离心泵典型故障诊断系统。该系统的软件采用LabVIEW为上位机,实现实验工况的参数设置,状态监测和人机交互等功能;采用PLC为下位机,实现数据的输入与输出,变频调速自动控制以及监测报警等功能;采用MATLAB为数据处理平台,实现故障特征的提取,特征参量的评价与加权,故障模式识别与判定等功能;采用MySQL数据库实现监测数据的管理与查询等功能。对所开发的系统在江苏振华泵业搭建海水泵实验台进行了近2600小时运转实验验证。结果表明,所开发测试系统的测量精度符合国家相关的验收标准,能够及时有效的识别出监测对象在运行过程中出现的典型故障。