转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包和样本熵分析对振动信号进行特征提取,并应用灰关联分析和BP网络作为分类器进行故障识别。论文研究的主要成果如下：1、建立旋转机械振动试验台及信号采集分析与诊断软件系统。搭建振动试验台,模拟转子的不平衡、不对中、动静碰摩故障,设计以DSP为处理器的振动信号采集电路,并将采集到的故障信号传输到开发的上位机LabVIEW平台。上位机软件完成振动信号的显示、存储、数据查询、小波去噪、特征参数计算、BP网络故障诊断和振动趋势预测,可用于实际振动信号的分析诊断。2、研究改进阈值量化函数的振动信号小波去噪方法,提出小波包样本熵振动信号特征提取方法,该特征比小波包能量特征对故障的区分度更好,并降低了特征参数维数。传统软、硬阈值量化方法在闽值处分别存在恒定偏差和不连续的问题,引入参数可调的改进连续函数对阈值进行量化,经检验：该方法比传统软、硬阈值去噪性能更好。研究了振动信号的小波包能量特征、样本熵特征参数提取,结合小波包分析,提出小波包样本熵特征提取方法,首先对振动信号进行小波包分解,再计算重构信号中能量较大的前3个子代信号的样本熵作为特征参数,实验结果表明：该参数可作为故障诊断特征参数,比采用小波包能量特征对故障的区分度更好。3、研究灰色关联分析和BP网络的机械故障诊断,提出小波包样本熵BP网络故障诊断方法,对轴承内圈故障和滚动体故障识别效果比小波包能量BP网络诊断方法更好。根据故障振动信号的小波包能量特征向量,将灰色关联度分析对轴承正常、内圈故障、外圈故障、滚动体故障4种状态进行识别,在小样本下识别效果较好。结合小波包分析,提取轴承小波包样本熵特征,采用BP网络作为分类器进行识别,结果表明：该方法有利于对内圈故障和滚动体故障的识别,对滚动体故障的识别率比小波包能量BP网络诊断方法提高了6个百分点。4、研究GM(1,1)模型和新陈代谢灰色模型预测方法在振动状态趋势预测中的应用,新陈代谢模型比GM(1,1)模型对振动趋势的预测精度更高。采用灰色GM(1,1)模型对振动故障中上升、随机波动、综合增长三种变化趋势进行仿真预测实现。针对传统GM(1,1)模型建模数据固定的缺点,将原始模型进行改进,加入预测的新信息,去掉旧信息,模型参数在线修改的新陈代谢预测模型进行预测,经仿真检验证明：对上升趋势的15步预测平均相对误差为1.33%,小于GM(1,1)模型方法的5.93%；综合增长趋势的10步预测平均相对误差为3.674%,小于GM(1,1)模型方法的5.17%。最后建立了轴承故障预测特征信息RMS的BP网络预测模型,实验结果表明：RMS可作为轴承故障预测特征信息,并能提前预测出轴承故障,具有较高的预测精度。