旋转机械是机械设备中的关键部件,其故障检测和诊断对机械设备的正常运转有着至关重要的作用。旋转机械的振动信号一般均是非线性非平稳信号,而现有的旋转机械故障诊断方法对于非平稳非线性信号的分析均存在着一定的缺陷,奇异谱分解方法(Singular Spectrum Decomposition,SSD)是一种针对非平稳非线性的信号处理方法,论文研究了该方法的基础理论和应用,提出了改进的奇异谱分解方法——GP-奇异谱分解方法(GP-Singular Spectrum Decomposition,GP-SSD),并将其用于旋转机械的故障诊断。对于旋转机械变工况下的故障诊断,直接提取故障特征来进行诊断时对特征的选择要求很高。时频图是能同时反映机械振动信号中时域及频域信息的一种信息表达方式。因此,本文提出在时频图的基础上对旋转机械进行故障诊断,提出一种基于GP-奇异谱分解时频图的构造方法,并基于旋转机械振动信号特点提出了一种旋转机械CNN模型,将两者相结合应用在旋转机械变工况的故障诊断中。论文研究内容从以下几方面展开:(1)提出了GP-奇异谱分解方法。对于奇异谱分解方法中嵌入维数的选取缺乏理论支撑的缺点提出了GP-奇异谱分解方法。奇异谱分解方法存在主观选取嵌入维数的缺点,论文提出采用GP算法根据分形维数与嵌入维数的关系自动选取嵌入维数,应用仿真和实验信号验证了GP-奇异谱分解方法的优越性。(2)提出了GP-奇异谱分解时频图的构造方法。该方法采用GP-奇异谱分解方法对原始信号进行分解,然后采用Hilbert变换求取它的瞬时频率以及瞬时幅值,构成GP-奇异谱分解时频图。使得其与短时傅里叶变换时频图、小波变换时频图以及HHT时频图相比较,发现GP-奇异谱分解时频图有更好的频率分辨率和时频聚集性等优点。(3)提出了一种基于旋转机械信号特点的卷积神经网络结构——旋转机械CNN模型。该方法以旋转机械复合故障信号为基础,设计卷积神经网络的层次、卷积核尺寸、数目、池化方式等一系列的卷积神经网络的结构,选择具有更优性能的网络结构。(4)提出了一种基于GP-奇异谱分解时频图与旋转机械CNN模型相结合的旋转机械故障诊断方法。该方法使用GP-奇异谱分解方法构造GP-奇异谱分解时频图,并将其作为卷积神经网络的输入来识别旋转机械振动信号的故障类别。将其分别用在变工况齿轮与轴承故障诊断中,取得了较优的效果,证明了其有效性。