旋转机械是工业应用最广泛的一类机械,这些设备一旦发生故障,将造成巨大经济损失。随着旋转机械向着高速度、高功率、高可靠性、大型化的方向发展,需要考虑的信息量越来越大,信号与信号之间、信号与噪声之间的相互干扰,也增加了提取有效信息的难度,使得传统的故障诊断技术难以胜任复杂设备的故障诊断。本文正是基于此考虑,利用信息融合技术融合有用的信息对设备故障进行诊断以提高故障诊断的可靠性和准确性。本文以信息融合理论与技术为主线,从三个层次对多振动信号进行融合和故障珍断的研究。在此基础上,结合旋转机械主要部件转子的故障诊断过程,详细探讨了多振动信号融合故障诊断各层中的实现:1.基于加权法的多振动信号信息融合故障诊断方法。提出了基于相关函数进行加权融合的方法,用于数据级的信号融合以提高信号的精度、容错性,并结合了实例验证了该方法的可行性和有效性。2.基于神经网络的特征级信息融合故障诊断方法。详细介绍了网络的设计过程。在对信号的特征提取过程中,采用了小波包分解和经典模态分解(EMD)相结合来提取信号特征。先用小波包分解把信号分成一系列窄频带信号,使特征频率落在不同的频率带内,然后采用EMD进一步分解信号,最后提取特征信号所存的内禀模态分量(IMF)对其进行特征提取。把提取到的信号特征分别代入构建好的神经网络中进行融合识别,从而得到特征级信号融合的结果。并通过结合具体的实例进行了详细分析和论证说明。3.基于D-S证据理论的决策级信息融合故障诊断方法。详细介绍了D-S证据理论的基本概念和证据的融合推理方法,建立了决策级信号融合诊断框架对神经网络诊断的结果进行进一步融合,得出最终结论。通过应用实例证明经过对多个证据体融合后,能够有效的提高诊断可信度,减小诊断的不确定性。