从第一次工业革命开始,科学技术和现代工业得到了飞速、蓬勃的发展,机械装备不断地朝着大型化、集成化、高速化、精度化、重载化等方向飞速发展。机械设备安全、稳定、高效的运转牵涉到企业的经济利益与生产安全,一旦这些设备中某些关键部件发生故障,哪怕仅是局部的失灵,不仅会造成巨大的经济损失,更严重地可能会导致人员伤亡、环境污染等恶劣影响。因此机械设备状态监测、故障诊断以及故障预防,对企业保障经济效益、财产与工人生命安全有着重要意义。本学位论文主要以稀疏分解与字典学习为理论基础,以旋转机械中的关键部件如滚动轴承、齿轮箱为研究对象,深入开展了基于字典学习理论的机械故障特征提取方法的研究,为机械设备维护提供依据。本文主要的研究工作包括三个方面:基于传统字典学习的机械故障特征提取技术;基于特殊结构字典学习的机械故障特征提取;基于设备状态字典库与稀疏特征的故障诊断方法。本文主要包括以下几个方面的内容:(1)阐述了论文的课题来源和研究意义,总结机械故障特征提取方法、智能诊断方法、性能退化评估方法及剩余寿命预测等方面的国内外研究现状与发展趋势。对信号稀疏分解与字典学习的发展历程和研究现状进行了阐述,并总结了论文的主要研究思路。(2)介绍了稀疏表征和字典学习的基本理论。详细阐述了过完备表示、冗余字典、稀疏性度量的基本概念。在此基础上,分别详细介绍了几种常用稀疏系数求解和字典学习的计算方法,为后续章节奠定理论基础。(3)首先介绍了含噪信号的稀疏表征模型以及基于KSVD字典学习的降噪方法。其次阐述了滚动轴承故障信号模型,通过轴承仿真信号验证了KSVD字典学习的故障特征提取能力,并分析了主要参数对字典学习降噪方法的影响。最后,考虑到KSVD算法对噪声敏感性高,本文提出了一种基于最小熵解卷积和KSVD字典学习的故障特征提取方法,并将其应用在滚动轴承早期故障诊断中。(4)介绍了一种具有特殊结构的字典学习方法—移不变字典学习,并阐述了利用循环矩阵分解求解移不变字典学习的方法。然后提出了一种基于移不变字典学习的机械故障特征提取方法,该方法可以有效地提取信号中周期性重复出现的信号特征。最后,对所述方法的可行性进行了仿真和实验验证,并与其它常用方法进行对比分析,验证了所提方法的有效性。(5)提出了一种基于移不变字典相关分析的单通道盲源分离方法。该方法将移不变字典学习与字典频域相关度分析相结合,实现了单通道信号的多源分离。在此基础上,本文还提出了一种类类间相关系数的概念用以确定最佳的源数目。最后通过仿真分析、滚动轴承复合故障实验以及齿轮箱多故障实验详细阐述了所提方法的分析流程,并验证了其在故障诊断中的有效性。(6)本章通过融合设备不同状态下的字典构建了设备状态字典库,提出了一种基于字典学习的稀疏特征构建方法。在此基础上,提出了基于稀疏特征和隐马尔可夫模型的故障诊断方法,并对该诊断方法的流程进行了详细的阐述。最后,通过滚动轴承单故障和复合故障试验验证了所述方法在故障诊断中的可行性和有效性。