在机械中旋转机械最为常见且其在工业中的地位也非常显著,因其通常在恶劣的工作环境下并且长期运作,易损坏发生故障的概率极大,意外的故障会对工作人员的安全及经济的生产都带来严重的威胁和损失。因此,对机械故障诊断与检测是极其重要的,以旋转机械中的轴承为例,对其振动信号进行检测研究。在该领域中,对故障的特征进行提取一直都是研究的热门课题,本文在该问题的研究上是从时频分析和图像处理两方面共同进行的,目的是做到双重检测,最大程度降低安全隐患。具体研究内容如下:(1)因EMD在对信号进行分解时有着重要的缺点即模态混叠问题,所以针对此问题进行改进,提出用HVD对其进行改进,此方法比典型的EEMD、CEEMDAN在对信号的分解分析上有优势,分辨率高而且能完全避免模态混叠。在对小波阈值的去噪分析中,改进阈值去噪是在小波阈值的基础上结合“3?准则”的思想进行改进得到的,其去噪效果比传统的小波阈值的好,经过对模拟信号的去噪对比已经验证。(2)在基于时频分析的特征提取研究中,提出了基于HVD与改进阈值的去噪新算法,对故障信号进行分析并为后续的故障特征的提取提供保障,该算法在应用在美国凯斯西储大学的轴承数据分析之前先对模拟信号进行去噪并与EMD、EEMD、CEEMDAN分别与改进阈值去噪相结合的方法进行对比,从主观视觉和客观评价上都一致表明本文方法的效果好。最后为了获得故障特征要对去噪后的内外圈信号进行以HHT为技术支持的包络谱分析,在对以上4种方法获得的频率对比中得出无论是在提取频谱的幅值还是分辨率上本文方法是都是最好的。(3)基于图像处理的特征参数提取的研究中,先是针对高斯、椒盐两种不同的噪声分别提出基于小波与高斯滤波去噪方法和基于小波与AMF滤波去噪方法,因中值滤波不能判断噪声点及窗口不变等问题,对其用自适应中值滤波-AMF改进,然后利用小波的多分辨率分析进行改善去噪后边缘模糊的问题。(4)在对去噪后的故障图像提取特征参数时,提出了基于canny算子的特征参数提取方法,对提取出的故障边缘通过函数bwperim和bwarea计算出周长和面积两个基本的参数,最终用圆度和畸形度判断故障发生的程度。