旋转机械是现代工业中应用最广泛且容易发生故障的设备,对旋转机械状态监测和故障诊断来确保设备正常运行、早期故障的预警和排除有重要意义。转子是旋转机械中的重要部件,振动信号大多是非线性、非平稳信号。因此,如何从转子振动信号中提取有效的故障特征并进行模式识别与分类尤为重要。本文将希尔伯特-黄变换方法(HHT)引入到旋转机械故障诊断中,HHT所包含的经验模态分解方法(EMD)和改进的集合经验模态分解方法(EEMD)非常适合处理机械振动信号,而被广泛应用到机械故障诊断领域,并取得了很好的成果,但仍存在着像模态混叠、分解迭代次数高、效率低等问题。针对上述问题,本文首先搭建了转子动力学实验台,进行了三种故障的模拟和信号采集分析,采用了基于自适应白噪声完备经验模态分解方法(CEEMDAN),并利用仿真和转子振动信号,对CEEMDAN方法与EEMD方法进行了对比分析,CEEMDAN的重构误差小,迭代次数也大大降低,证实了CEEMDAN方法的优越性。其次,针对虚假分量问题,采用了基于相关系数虚假分量判别法和指标能量法,对仿真和故障信号分析结果表明,该方法能够有效筛选出正确分量。最后,在机械故障诊断中的应用中,把CEEMDAN方法与其它数学方法相结合,形成了基于CEEMDAN的机械故障诊断方法。其中,在奇异值熵的基础上,提出了基于CEEMDAN奇异值熵和支持向量机相结合的方法;在模糊熵的基础上,提出了基于CEEMDAN模糊熵和马氏距离相结合的方法。实验数据表明,两种方法均有效实现对故障特征信号的提取与模式的分类。