近年来,设备故障诊断作为一门各学科交叉的新技术,得到了迅速发展并产生了巨大的经济效益。正常运行以及发生故障的离心泵会使设备产生振动,这种振动信号中包含了丰富的泵体运行状态信息,而且易于采集,可以应用其进行离心泵运行状态的监测与诊断。由于离心泵故障振动信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。从离心泵运行机体上采集到的振动信号由于受到现场实验环境以及条件的影响,势必存在噪声,如何对信号进行降噪处理是离心泵振动故障振动的重要基础。本文提出了第二代小波与新型改进阈值函数相结合的信号去噪方法。该方法利用第二代小波对故障信号进行分解,并采用新型改进阈值函数对分解信号的小波系数做阈值处理。同时引入基于类可分离性测度的降噪评价准则,实现了对复杂振动信号的降噪效果的评价。仿真和实测振动信号的去噪结果表明,该方法融合了第二代小波和改进阈值函数的优点,能更好的消除振动信号噪声。针对去噪后的振动信号,应用HHT变换、复杂度计算、连续小波变换、提升小波包、第二代小波包以及混沌递归理论等对其进行分析计算,提取有效特征参数,组成特征向量,输入分类模型,实现对离心泵故障类型的诊断。分类模型中主要有径向基神经网络(RBF神经网络)、改进的Elman神经网络、最小二乘法支持向量机以及相关向量机等,通过学习、训练和识别的结果可以看出,基于提升小波包特征和相关向量机模型的识别效果最好,但与其他组合相比,识别率相差不大。本文重点研究了基于隐Markov模型(Hidden Markov Model, HMM)的故障诊断方法。HMM克服了传统诊断方法只停留在静态观测的缺陷,非常适合于描述短时平稳的非平稳信号,经验证其故障信号分类结果优于其它信号处理方法。二维隐Markov模型(2D-HMM)作为HMM的一般化模型,它由外部HMM和基于外部HMM各状态的内部HMM两部分组成。因而它具有HMM的优点,且从时域和频域两个角度全面地描述信号,非常适合于处理离心泵运行过程中出现的非平稳性强、重复再现性不佳的信号。在应用本文所采用的几种信号特征提取方法的基础上,结合2D-HMM模型,验证了基于2D-HMM的离心泵故障诊断方法的有效性。最后,根据应用需求,在Windows XP平台上使用Visual Basic6.0语言编程开发了离心泵运行状态在线监测及故障诊断系统,确定了系统硬件和软件总体结构和各功能模块。研究结果证明了该系统有效监测离心泵的运行状态和诊断振动故障,具有较好的实用价值。