机械设备的诊断过程包括诊断信息获取、故障特征信息提取和状态识别三部分。其中,故障特征提取和状态识别是诊断的关键。本文将时频分析的新方法—经验模态分解(Empirical Mode Decomposition,简称EMD)和模式识别的新技术—支持向量机(Support Vector Machine,简称SVM)相结合应用于旋转机械故障诊断当中。EMD方法基于信号的局部特征时间尺度,可把信号分解为若干个内禀模态函数(Intrinsic Mode Function,简称IMF)之和,分解出的各个IMF分量突出了数据的局部特征,对其进行分析可以更准确有效地把握原数据的特征信息。此外,由于每一个IMF所包含的频率成分不仅仅与采样频率有关,更为重要的是它还随着信号本身的变化而变化,因此EMD方法是一种自适应的时频局部化分析方法,它从根本上摆脱了Fourier变换的局限性,具有很高的信噪比,非常适用于非平稳、非线性过程。针对旋转机械故障振动信号的非平稳特征,本文将EMD方法引入旋转机械故障特征提取当中,对其基本理论进行了研究,对其边界效应提出了解决方案,并在此基础上提出了五种基于内禀模态函数的故障特征提取方法。支持向量机有比神经网络更好的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对机械故障诊断中难以获得大量典型故障样本的实际情况以及支持向量机优良的分类性能,本文采用支持向量机作为分类器对旋转机械的工作状态和故障类型进行了分类,并对支持向量机在小样本故障诊断中的应用进行了较为全面的研究。对实验数据的分析结果表明,EMD和SVM相结合可有效地应用于旋转机械故障诊断当中。 本文主要工作包括: (1)讨论了传统时频分析方法在信号处理中的应用,指出了其缺陷,并在此基础上介绍了时频分析的新方法—Hilbert-Huang变换,它包括EMD方法和Hilbert变换两部分。对仿真信号的分析结果表明,EMD方法的分解效果优于小波方法;Hilbert谱具有比小波谱更高的分辨率;Hilbert-Huang变换所得到的Hilbert边际谱具有比FT谱更高的分辨率。 (2)采用EMD方法和Hilbert变换对信号进行时频分析时会产生边界效应,针对这一问题,本文采用径向基函数网络对信号进行了延长。对仿真信号的分析结果表明,该延拓方法能有效地抑制边界效应。 (3)在分析传统统计模式识别方法和人工神经网络分类器的缺陷的基础上,针对机械故障诊断中难以获得大量典型故障样本的实际情况以及支持向量机优良的分类性能,将支持向量机引入旋转机械故障诊断当中。采用神经网络和支持向量机两种技术进行了小样本试验研究,研究结果表明支持向量机无论在训练速度