研究旋转机械的故障诊断与预测技术,对于保障机械设备运行的安全性和稳定性具有十分重要的意义。旋转机械的振动信号具有非稳定性和非线性,同时,在强背景噪声工作环境下,旋转机械的微弱故障特征很容易被噪声淹没,此外,当机械系统出现故障时,往往会产生位置不同的复合故障,故障之间相互耦合,从而给旋转机械故障精确诊断带来了挑战,因此,强噪下微弱、复合故障诊断是当今机械故障诊断领域的难点。论文将旋转机械作为研究对象,研究形态学滤波、局域均值分解、多元经验模态分解和噪声辅助多元经验模态分解等时频方法及其在旋转机械的微弱、复合故障诊断中的应用,为机械故障诊断、性能退化状态识别和趋势预测提供新的有效手段。主要内容如下：1、提出了一种基于LMD和形态滤波的轴承故障诊断方法。设计并搭建了铁路货车轮对滚动轴承测试系统,并对轴承典型故障振动信号进行分析,仿真实验与轴承故障试验结果验证了该方法的有效性。针对形态滤波器尺度选择缺乏自适应的问题,提出了基于遗传算法的自适应形态滤波方法,仿真和试验的分析结果表明,自适应形态学滤波器对于信号降噪处理和冲击特征提取两方面均有明显的效果。2、针对EMD和LMD等时频分析方法无法处理旋转机械多通道振动信号的缺点和旋转机械早期微弱故障、复合故障的特征提取问题,提出了基于改进的多元经验模态分解的旋转机械早期故障诊断方法。该方法利用多元经验模态分解将多通道振动信号分解得到一系列多元IMF分量,将峭度准则和互信息引入IMF的选取,进一步消除混入的噪声和伪分量的影响。仿真信号和旋转机械故障信号的分析结果表明,改进的MEMD方法在多通道信号分解的精确性和鲁棒性等方面具有明显的优越性和有效性,为旋转机械微弱故障、复合故障诊断和多通道振动信息融合分析提供了新的思路和手段。3、NAMEMD是一种新的非线性信号自适应时频分解方法,该方法克服了MEMD和EEMD的模态混叠等问题,但是经过研究发现,NAMEMD方法并不能完全抑制MEMD的模态混叠现象,得到的IMF仍存在模态混叠,需要后续处理。为了抑制NAMEMD方法分解中的模态混叠现象,提出了改进的NAMEMD方法。采用基于排列熵的随机性检测技术及时地检测异常信号和噪声信号,再对剩余信号进行NAMEMD分解,通过仿真信号验证了所提出方法的有效性,在此基础上,针对强噪下机械故障特征提取的问题,提出了基于改进的NAMEMD形态学与Teager能量算子解调的旋转机械故障诊断方法,并通过仿真信号和旋转机械故障信号将所提出的方法与EEMD和NAMEMD进行了对比,结果表明改进的NAMEMD方法消除了EEMD集成平均过程中因添加白噪声的时频特性差异带来的模态混叠,分解结果相对于EEMD具有较准确的IMF频谱分布和更好的降噪效果,分解结果更为精确。所提方法在抑制模态混叠、增强降噪效果和提高分解精确性上要优于EEMD和NAMEMD方法,结果验证了所提方法的有效性和优越性。4、在分析样本熵和排列熵原理的基础上,针对轴承振动信号的非线性特征,提出了基于NAMEMD和排列熵的轴承故障智能诊断方法。首先对振动信号进行NAMEMD分解,然后对前5个有意义的IMF分量进行排列熵计算,并将其作为特征向量输入训练好的SVM分类器,有效地实现轴承四种典型状态类型的识别,准确率高。5、将NAMEMD自适应分解与基于非线性动力学参数的信号复杂性的排列熵理论相结合,提出了基于改进NAMEMD和排列熵的旋转机械退化状态检测方法,该方法首先将多分量的振动信号自适应地分解得到一系列信噪比较高的IMF分量,利用对突变信号敏感的排列熵算法分别对各IMF进行排列熵分析,进行轴承运行状态及演化过程的准确识别。建立了滚动轴承振动信号和退化状态之间的联系。通过仿真试验和滚动轴承全寿命试验数据,证明了建立的状态指标能够准确、完整地反映滚动轴承的退化状态趋势,实现了滚动轴承全寿命周期状态的有效识别。所提方法具有较强的鲁棒性,为机械设备的性能退化状态检测提供了一种新的有效途径。6、针对滚动轴承退化状态趋势预测问题,提出了基于NAMEMD、PE和SVR的滚动轴承故障演化状态趋势预测模型,实现滚动轴承性能退化趋势的准确预测,评估在未来一段时间内的轴承状态的变化趋势,从而达到加强机械设备运行安全性与稳定性的目的。通过轴承全寿命试验,证明了所提方法的准确性和有效性,具有较高的预测精度和鲁棒性,对工程实践具有重要的指导意义。