回转副广泛存在于各类机械设备中,其一旦失效会影响设备正常工作,可能会产生安全隐患,甚至造成安全事故等严重后果。对回转副摩擦状态的识别,可以评估回转副当前的润滑状况,估算当前至干摩擦发生的时间,以便及时采取必要措施,避免干摩擦的出现。针对目前常用的摩擦状态监测方法存在设备多、成本高、现场实际应用难度较大或准确性低等问题,提出了一种基于电机电流特征分析法识别回转副摩擦状态的方法,该方法可以实现远距离监测,抗干扰能力强,主要工作包括:（1）分析了回转副摩擦产生的摩擦转矩对电机定子电流的影响,建立了包含回转副摩擦特征的电机定子电流模型,并讨论了在不同的工况因素下该模型的变化。依据电机定子电流信号中回转副摩擦特征的频率范围,使用变分模态分解方法提取摩擦特征信号,提出一种依据快速傅里叶变换极大值点搜索确定变分模态分解参数的自适应参数选取法用来提取时频域摩擦特征。（2）计算原始信号的时域、频域特征量作为分类器的辅助识别特征量。提取的时域、频域和时频域特征量存在变化趋势造成的冗余,为了减少冗余使用主成分分析法对提取的多维度特征进行降维处理,提高分类器识别精度。依据降维后的第一主成分特征变化趋势划分降维样本区间类别作为分类器的训练样本。（3）使用集成学习的方法训练支持向量机,构建联合分类器,其中支持向量机的惩罚因子和核参数用量子粒子群优化算法优化。使用该联合分类器识别样本数据的摩擦状态,以监测回转副摩擦状态及预测当前回转副至干摩擦的时间。建立回转副电机定子电流信号采集装置,模拟回转副一次润滑的全过程,采集全程的电机定子电流信号用以分析。研究结果表明:首先,回转副之间的摩擦波动使电机电流信号产生调制,调制信号表现为幅值和相位的调制,大部分调制信号附加在基频信号上,其幅值变化呈现先降低后升高的趋势。其次,降维后的第一主成分呈现相同变化趋势,反映了回转副摩擦状态地变化。最后,将一段测试信号经集成量子粒子群优化支持向量机识别后,可以准确评估该回转副在测试信号时刻所处的摩擦状态,并初步估算至干摩擦所需时间,该方法通过多域特征提取的方式较好地表征了回转副摩擦的变化,并与机器学习方法结合,建立摩擦状态识别和预测模型,为实现远距离、无干扰地监测回转副工作状态提供参考。