钻机作为一种重要的基建工程机械设备,被广泛运用于油气开采、矿山挖掘和公路等众多领域,但是其在实际工作过程中因钻杆的破坏、钻杆连接的松动而导致的“掉钻”现象时有发生,因此对钻机钻杆进行故障诊断具有重要意义。本文以钻杆振动信号为研究对象,以钻杆的故障诊断为研究主题,通过经验小波分解、融合特征、BP神经网络以及SVM等方法对其进行故障诊断研究,论文的主要研究内容与工作总结如下:(1)依据钻机工作原理以及实际故障问题,设计并搭建了钻机实验平台,根据钻杆正常、不同程度松动与不同程度破坏工况、转速以及影响振动信号采集的采样频率等因素,设计了钻机钻杆故障诊断正交实验方案,依此方案对钻杆故障进行模拟和信号采集;(2)研究了经验小波变换(EWT)与经验模态(EMD)的算法原理,对比这两种方法对仿真信号的处理结果,验证了EWT方法的优越性,对采集到的信号用小波阈值法进行去噪,将去噪后的信号用EWT方法进行分解,对分解后各模态分量进行了时频谱与Fourier谱分析;(3)针对钻杆振动信号特征提取提出了 EWT-排列熵法、EWT-能量法,通过这两种方法提取不同转速、工况下振动信号的特征并进行分析讨论,结果显示利用这两种方法能够有效获取钻杆的故障特征,将信号各模态分量的排列熵特征与能量特征进行融合并将其作为故障识别的分类特征;(4)研究了 BP神经网络与支持向量机(SVM)的算法原理,提出了基于粒子群算法的SVM核函数的参数优化,利用这两种模式识别方法对钻杆的工况进行分类,结果表明SVM对本文所构建的融合特征向量具有更高的识别率,同时表明了本文所构建的融合特征向量可用于钻杆的故障诊断。