目前,在转子故障预测领域,主要集中于对转子寿命预测方向,但这不能定量体现出转子故障趋势的具体发展形式和故障程度。转子频谱直观、定量地反映了转子的振动强度和故障类型。可以通过对转子频谱的预测实现对转子发展趋势的定量预知。在转子出现故障时,其频谱中的某些特征频率幅值会明显增加,理论上来说,可以通过监测这些特征频率的幅值变化来体现转子的健康状态,但这需要事先知道特征频率的大小。对完整频谱进行预测可以避免特征频率选择问题。全矢谱技术能够有效融合转子双通道信息,避免信息遗漏,得到完备的信号频谱。相空间重构技术能够对复杂系统的相关因素进行信息重组,利用有限数据描述系统全貌。极限学习机算法网络结构简单,处理大规模数据具有计算速度快,学习效率高的特点。因此,结合两者的优势提出了基于相空间重构的极限学习机频谱预测模型,实现了对完整频谱结构的预测。本文的主要研究内容如下:(1)研究了基于多维经验模式分解(MEMD)的全矢信息融合方法——全矢MEMD。首先将采集到的同源双通道信号利用MEMD算法分解成一系列IMF分量;然后根据相关系数准则选取包含转子主要信息的IMF分量进行重构以达到降噪的目的;最后利用全矢谱计算重构信号的频谱特征。对该方法进行仿真分析和实例分析验证其有效性。(2)研究了基于频谱特征的多变量重构方法。以相空间重构理论为基础,建立了多变量相空间重构模型,讨论了极限学习机网络对重构模型的可预测性,建立预测模型的输入和输出表达式,并以仿真信号进行了验证,结果证明了该方法的有效性。(3)提出了基于相空间重构的极限学习机频谱预测模型,给出了预测结果评判指标。首先对得到的频谱利用多变量多输出重构模型建立训练和测试样本,然后将样本输入极限学习机中进行训练和预测,最后利用滚动轴承的全寿命监测数据进行验证。结果表明该方法能够准确预测轴承频谱结构。