电力工业控制国民经济命脉,它是最重要的基础能源产业和经济发展战略的重点。其中,火力燃煤发电是我国最主要的发电方式之一。在火电厂中,旋转机械设备数量众多且至关重要,常见的有汽轮机、发电机、磨煤机以及各种风机和泵机,它们结构复杂,并且长期运行在高温、高压的工作环境中,因此很难进行有效的故障诊断。本文面向火力发电厂中的旋转机械设备,利用其振动信号进行分析和建模,实现对旋转机械设备的故障诊断。本文具体研究内容如下:(1)考虑到振动信号分析中多个子信号提取多维特征带来的特征冗余问题,提出了 一种基于经验模态分解和关键特征选择的故障诊断方法。首先通过经验模态分解对振动信号进行预处理,得到不同成分的分量,然后对各个分量提取具有不同物理意义的统计特征。由于提取到的特征存在与故障不相关的冗余特征和信息重叠的不相关特征,需要进一步的进行特征选择,筛选出故障相关的关键特征。最后利用挑选出的关键特征建立模型,进行故障诊断。(2)考虑到在振动信号的预处理过程中,振动信号内部的振动模式并没有完全区分开来,依然存在模态混叠效应,因此提出了结合小波分解和经验模态分解的信号预处理方法,对信号进行进一步区分,提升了振动信号的预处理效果。考虑到振动信号中的非平稳信息在前人的工作中没有被充分的挖掘,因此,在特征选择的过程中将预处理得到的子信号进行平稳性区分,针对平稳部分和非平稳部分分别进行精细化分析,充分挖掘非平稳故障信息,提升了故障诊断的效果。(3)考虑到传统的旋转机械设备故障诊断方法中人为提取统计特征泛化性不足的问题,提出了一种基于经验模态分解和卷积神经网络的旋转机械故障诊断方法。首先通过经验模态分解将振动信号分解为不同的子信号,接下来将所有的子信号输入到1维的卷积神经网络中进行训练,建立故障诊断模型。整个建模过程无需人为提取统计特征,由神经网络自适应的提取出故障相关的信息,实现故障诊断模型建模的自动化,解决了传统方法特征泛化性不足的问题。