基于振动信号处理的特征提取方法是旋转机械故障特征提取最常用方法。由于旋转机械在运行中受到多种因素的影响,其振动信号往往是非平稳信号,另外,现场采集的信号经常受到各种噪声干扰的影响,有用信号往往被淹没在强噪声背景中,因此,非平稳信号的微弱故障特征提取是当前的一个研究热点。本文基于小波变换、HHT、重分配尺度谱和魏格纳时频谱等时频分析方法,以及奇异值分解(SVD)、形态滤波等降噪技术,提出了三类旋转机械非平稳信号微弱故障特征提取方法,并将这些微弱特征提取方法与支持向量机(SVM)相结合应用于旋转机械的故障诊断中。本文的主要研究内容如下:在波形特征提取方面,研究了基于小波变换的微弱特征提取方法。利用小波变换的滤波特性和Morlet小波良好的时域和频域特性,提出了一种基于参数优化Morlet小波变换的微弱故障特征提取方法。利用最小Shannon熵方法优化Morlet小波的带宽参数,实现其与冲击特征成分的较优匹配,再根据小波系数矩阵的奇异值曲线中主要反映突变信息的过渡阶段求得最佳变换尺度。进一步的研究发现该方法依然存在着不足,为此对其进行了改进,提出了一种基于尺度周期性指数谱(SPE)的自适应Morlet小波微弱特征提取方法,利用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配,再根据得到的SPE谱求得最佳的小波变换尺度。试验信号分析和实际工程应用结果验证了该方法的有效性和优越性。在谱图特征提取方面,对基于重分配谱的微弱特征提取方法进行了系统的研究。针对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷,提出了一种重分配小波尺度谱的时频分布优化方法。首先优化重分配尺度谱基函数的时间-带宽积(TBP),克服其时、频分辨率不能同时达到最佳的缺陷,再对重分配尺度谱进行SVD降噪降低噪声干扰影响,提高其时频分布的可读性。针对魏格纳时频谱存在的问题,提出了一种基于重分配魏格纳时频谱和SVD的微弱特征提取方法。利用重分配算法对魏格纳时频谱进行重分配,提高魏格纳时频谱的时频聚集性,再对重分配时频谱进行SVD降噪,提高其谱图的可读性。此外,针对基于小波尺度谱的模极大值法提取小波脊线存在着受噪声干扰影响大、高频部分频率分辨率低等不足,提出了一种基于最优重分配小波尺度谱的小波脊线提取方法,并将其应用于齿轮箱的故障分析中。在瞬时特征提取方面,研究了基于形态奇异值分解和HHT的微弱特征提取方法。针对现场采集信号中的随机噪声和局部强干扰影响EMD分解质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与HHT相结合形成一种新的微弱故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解,根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(IMF)提取故障特征信息。对仿真信号和试验信号的应用分析结果表明,该方法能有效提取微弱故障特征,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。在故障诊断方面,研究了基于微弱特征提取和支持向量机(SVM)的故障诊断方法。利用SVM出色的多类分类性能和小生境遗传算法优化参数的全局寻优能力,分别结合自适应Morlet小波变换和形态奇异值分解-EMD的微弱特征提取方法,实现了基于微弱特征提取和遗传优化SVM的故障诊断方法,滚动轴承故障诊断实例验证了其有效性和可行性。在软件开发方面,研发了基于本文所提方法的非平稳信号微弱特征提取模块。采用面向对象的编程技术以及VC++开发工具,设计开发了该模块,为旋转机械微弱特征提取和故障诊断提供了一个有效的分析工具,并通过实际应用验证了该模块的有效性和实用性。文章最后对本文的工作进行了总结,并展望了下一步的研究方向。