振动筛是选煤厂的重要设备,它是利用振动特性来满足生产要求的,该设备通常含有许多非线性环节,如结构的大变形、大偏心质量激励、筛面所受的物料冲击以及非线性支撑等等,由于这些非线性因素的存在,直线振动筛在运行过程中会出现非线性现象。利用目前以频谱分析为基础的线性分析方法不能完全刻画系统的运行特性,因此,本文根据混沌分形理论,在相空间重构的基础上提取非线性特征来对直线振动筛进行状态监测与故障诊断。在实际生产中,对设备状态进行预测与趋势分析具有重要的意义,如果能够实现正确合理的预测,就可以使维修管理人员及时对设备采取措施,避免发生故障,从而减少经济损失。所以,文中研究了基于相空间重构的时间序列的预测方法。为了从采集到的信号中提取出特征信息,首先对信号进行了小波降噪,然后利用滑动平均法对数据进行平滑处理,消除其趋势项。随后采用离散数据的时域积分法对加速度信号进行了一次与二次积分,得到相应的速度与位移信号。以加速度-速度-位移信号为坐标得到相空间图,同时结合幅值谱分析方法,研究了振动筛模型在不同频率激励下各个方向的运动情况。针对垂直于振动筛筛帮振动信号的混沌特点,首先介绍了分形与混沌理论的基本原理,阐述了相空间重构中各参数的选择方法,随后研究了关联维数与最大Lyapunov指数的提取方法,并以典型Lorenz信号为例进行了仿真验证。最后将该特征量用于直线振动筛的裂纹诊断与定位中,经过分析,表明了这两个特征可以作为判别振动筛状态的定量指标同时可以为裂纹定位提供依据。建立了加权一阶局域预测模型,基于相空间重构的BP网络预测模型以及基于相空间重构的RBF网络预测模型。通过仿真实验,证明了相空间重构的RBF网络预测模型有更好的预测精度,并将其用于振动筛时间序列的预测中,结果表明该预测模型的可行性。最后,对振动筛筛帮信号特征的发展趋势作了初步的分析。