作为最常见的机械设备,旋转机械在各个制造行业起着至关重要的作用。转子系统是旋转机械的核心部件,其稳定、正常运行关系到旋转机械乃至整个机械设备的安全生产以及操作人员的生命安全。在旋转机械设备中,当转子系统的负载超出其最大承受载荷值,可能会产生严重后果。所以对转子系统的载荷进行识别尤为重要。在载荷作用下,转子系统会产生振动,提供动力的电机中定子电流也会相应变化。因此研究载荷作用下转子系统的振动信号和电机电流信号,对载荷进行定性定量识别,实现转子系统故障诊断,具有重要的研究意义和实际价值。首先,通过简化和离散化转子系统,对转盘和轴承进行受力分析并计算机械能,而后结合拉格朗日方程进行振动微分方程求解,建立弯扭耦合模型。同时,将转子系统和电机进行连接,建立机电耦合模型。根据耦合模型,在MATLAB/Simulink环境中建立仿真模型。通过Signal Builder产生五种载荷(四种类型的叠加载荷和随机载荷),作用于转子系统,获得转盘振动信号和电机电流信号。通过对两种信号进行时域分析可知,振动信号和电机电流信号变化与载荷变化保持一致。其次,基于振动信号对转子系统载荷进行定性定量识别。在定性识别过程中,提出了快速傅里叶变换(FFT)、奇异值分解(SVD)及重构、集合经验模态分解(EEMD)、本征模态函数(IMF)能量百分比计算和概率神经网络(PNN)相结合的方法,实现转子系统载荷定性识别。在定量识别过程中,提出了极限学习机回归(ELMR)方法,根据不同振动信号特征值回归预测出不同的载荷大小,实现转子系统载荷定量识别。同时,基于电机电流信号对转子系统载荷进行定性定量识别。在定性识别过程中,提出了FFT、SVD及重构、小波包分解、节点能量百分比计算和径向基(RBF)神经网络相结合的方法,实现转子系统载荷定性识别。在定量识别过程中,提出了遗传算法优化的BP神经网络(GA-BP),根据不同的电机电流信号特征值回归预测出不同的载荷大小,实现转子系统载荷定量识别。再次,基于振动信号和电机电流信号多源融合方法对转子系统进行定量识别。利用单源信号,将稳态载荷与特征值之间的关系作为训练样本,通过参数优选建立支持向量机回归(SVMR)模型,根据不同特征值回归预测出不同的载荷大小。而后进行多源信息融合,对载荷进行定量识别。最后,搭建转子系统试验台,制定并实施试验方案,获取不同载荷作用下的转子系统转盘振动信号和电机定子电流信号。分别基于振动信号、电机电流信号和信息融合方法对作用于转子系统的叠加载荷及随机载荷进行识别研究,将仿真结果与试验结果进行对比分析,结果验证了仿真研究过程的可行性和载荷识别方法的正确性,为旋转机械设备载荷识别和在线监测提供了理论和试验支撑。