现代科学技术的迅猛发展让越来越多的先进技术融入于机械设备的故障诊断领域,并取得了令人惊叹的成绩,这使当今的故障诊断上升到了一个新的台面。稀疏表达技术作为新兴的信号处理方法,其自身优势十分适用于机械故障诊断。本文从稀疏表达理论的研究成果出发,探索了该方法对于机械故障信号的特征提取和故障诊断等方面的应用潜力。旋转机械在现代工业和生产中占有越来越大的比重。对旋转机械的运转异常做出及时预警不仅可以保证其运作的安全性,还可以带来明显的经济收益。滚动轴承作为实现其核心功能的关键部件在旋转机械中有广泛的应用,其运行状态的可靠性与否关系到整个机械系统的工作性能。因此,对于新的故障诊断方法的探索和开展,滚动轴承是一个很好的研究对象。基于上述考虑,本文从滚动轴承的故障诊断出发,基于稀疏表达理论提出了一系列的故障特征提取和故障诊断方法。主要内容如下:1.从历史背景、科技发展和实际工程案例等方面详细阐述了机械设备的状态监测和故障诊断这一选题的研究意义。以滚动轴承为研究对象,从其故障机理和信号特点出发,回顾并分析了现有的诊断研究方法,包括时域上的、频域上的和时频域上的诊断方法,并基于国内外的研究成果和研究现状讨论了各个方法的优缺点和当今故障诊断研究的不足方面。对智能诊断技术做了概述,并着重介绍了目前热门的神经网络和支持向量机技术。详细阐述了稀疏表达理论在故障诊断领域的三个主要方面的研究应用,即信号降噪、特征提取和故障分类,并在最后提出了本文研究的主要思路。2.对稀疏表达理论的基本概念做了详细介绍,从数学模型出发提出了稀疏系数求解和字典设计两个稀疏表达理论中的主要问题,并结合现有的研究状况对这两类问题分别详细阐述了几个常用方法且做了简单的比较分析。这些理论介绍为后续章节提出的诊断方法奠定了理论基础。3.针对传统小波变换的小波函数振动模式与机械故障信号的振动模式匹配不足这一缺陷,结合稀疏表达理论提出了一种可调小波振动模式的过完备小波变换。随后,以应用对比的方式分析了该变换相比传统时频变换用于特征提取的优势,并从中提取出可用于故障诊断的SWE特征。实验验证SWE特征相较以传统时频方法得到特征的分类性能更出色。4.利用结构稀疏表达理论建立起表征数据关系的结构字典并对各类信号进行有效表征,使得同类型的具有相似模式的滚动轴承振动信号具有统一的表达模式。系数求解过程中基于混合约束项进行计算优化,使得最终表达在组层面上和结构层面上均进行特征选择,准确把握信号的类别和结构模式。为了便于后续的分析诊断,从表达中进一步提出了低维故障特征SSW,并以实验证明该特征具有很强的噪音抑制能力和稳定性,可有效实现轴承的故障诊断。5.将数据的流形学习理论与稀疏表达理论相结合,针对滚动轴承故障诊断问题的解决提出了 ManiSC特征提取框架。该方法首先利用数据的先验知识建立起表征数据关系的图谱矩阵,再以流形学习方式找到数据的基矩阵,并将数据映射至稀疏域。实验证明了 ManiSC特征能以低维的方式有效表征出原始高维数据中的几何特性和内在数据结构,并比标准的稀疏表达和流形学习方法具有更出色的鲁棒性和特征辨识度。6.将稀疏表达与深度学习算法中的深度信念网络相结合(稀疏DBN),用其建立了分模块故障诊断网络,使一次诊断可以在评估出轴承故障位置的同时判断出故障严重程度。滚动轴承的寿命离散性特点会导致使用中的轴承存在先后失效状况,若不及时诊断则存在巨大的安全隐患。本文建立的分模块故障诊断网络能有效解决这个问题,且实验的对比分析说明利用稀疏DBN所搭建的诊断网络对于轴承的状态判断准确度极高,在工程上具有强大的应用潜力。