旋转机械的数量在现代机械设备中占有很大比例,旋转机械运行状态监测和故障诊断分析,对保障设备运行安全和企业生产效益至关重要。复杂系统的旋转机械在出现故障时所监测到的振动信号具有明显的非线性特性,使用传统时频方法难以从复杂信号中提取出有效特征量。为了及时、准确地识别和诊断出故障状态,从监测信号中提取出有效信息量,本文将目前普遍认可并广泛采用的非线性高维数据处理方法,引入到旋转机械的旋转零部件——滚动轴承、齿轮以及转子的故障诊断中,对目前主要的流形学习方法从理论上进行分析,找出适用于机械故障诊断领域的流形学习方法——拉普拉斯特征映射LE算法,并对旋转机械三大旋转零部件的故障进行仿真和模拟实验识别。本论文的主要研究内容如下:(1)分析归纳了滚动轴承、齿轮以及转子的各种运行故障和失效形式,阐述了以振动信号测试为基础的时域、频域和时频域信号分析和故障特征提取方法,研究提出了以30个特征向量构造一个含有设备运行状态信息的高维特征空间。重点应用各种非线性状态识别方法研究了从高维空间识别旋转设备运行状态,最后成功地将非线性流形学习方法--拉普拉斯特征映射算法应用于旋转设备的故障识别中。(2)对目前主要的流形学习方法进行了理论分析,从降维过程中保持流形的拓扑结构特征整体性角度的不同,可分为:全局特性保持和局部特性保持两类,并对三个经典的、具有不同特性的高维非线性数据集swissroll、swisshole及puncturedsphere进行降维处理,对比验证各种方法识别的有效性。从理论分析和降维实验结果中发现拉普拉斯特征映射le算法表现出强烈的“物以类聚,人以群分”的性质,符合模式识别中的聚类特性分析,提出将le算法应用到旋转机械的故障诊断分类识别中。(3)针对流形学习算法中近邻值k和样本点n两个参数选择的问题,通过目前6种经典的流形学习算法分别对两组经典高维数据集进行降维分析,综合考虑降维得到的二维结果图和所需时间等因素,确定近邻值k的取值范围为8-12,对于拉普拉斯特征映射le算法k值取值为8;样本点数应高于800,但也不宜过多。(4)根据模式识别方法和降维方法特性,提出使用由时域特征量、小波包分解和emd分解得到的各频带所具有能量在总频带中所占能量比作为原始特征量构建高维特征空间,将旋转设备的各种运行状态信息融合在一个高维数据空间内,进而使用各种非线性降维学习方法识别设备运行状态。(5)本文将拉普拉斯特征映射le算法分别应用到滚动轴承、齿轮箱和转子的故障分类识别方法中。按照由简单到复杂的原则,先使用模拟仿真信号进行可行性探究,继而对复杂的实测故障信号进行分类识别,以证明le算法在滚动轴承、齿轮箱和转子系统故障识别中的有效性和可行性。(6)为了与三种传统方法pca、mds(线性方法)和kpca(非线性核方法)的降维结果进行对比,采用了三维图像直观地表示故障样本分类效果;使用样本平均识别率、类间距Sb、类内距Sw和类间距与类内距的对数ln(Sb/Sw)四个量化参数,证明了LE算法所提取得到的前三维特征量所包含的设备运行状态信息量的比重大,在滚动轴承、齿轮箱和转子系统中故障样本分类识别中具有一定的优越性。综上所述,LE方法在旋转机械的故障样本识别中,比传统线性方法、甚至核方法KPCA具有更好的分类识别效果,将LE算法运用到机械设备的状态识别和故障诊断中,对更好地解决工程的实际问题具有重要意义。