现代大型发电机组单机容量越来越大,机组的安全运营越来越受到业内的重视,大力发展旋转机械的振动故障诊断技术就显得尤为重要,而故障特征的提取和分类又是振动故障诊断技术中的关键问题。利用描述系统混沌特性的最大李亚普诺夫指数,Hurst指数,以及描述信号复杂性的近似熵来描述振动信号的故障特性。同时,用于脑电波和心电图去噪的一些理论也被用来对分析信号进行预处理,结合改进的k-means算法,我们对试验离心风机振动故障信号进行了诊断。利用自回归和EMD结合的方法,对离心式风机联轴器不对中故障进行了分析,得到了风机负荷跟故障频率的关系图,以及不对中程度的大小分别跟风机负荷,风机转速之间的关系。采用基于高斯矩的FASTICA算法对信号进行盲分离,得到观测信号中所包含的独立分量,对振源对应的独立分量进行时频分析,确定出故障分量;将故障分量以外的独立分量视为干扰噪声置零,然后重构各分量得到新的信号矩阵,再次用分离矩阵的逆矩阵与信号矩阵相乘得到去噪以后的振动加速度信号,根据类距离判据,对其去噪效果与其他几种方法进行了比较。介绍了k-means算法的原始思想,通过列举4个聚类中心在2块分开的空间里的应用结果来说明其容易陷入局部最优的缺点,应用聚类中心移动准则对其进行了优化,结合提取的风机振动时域信号的3个特征参量,对故障进行了分类。运用EMD理论对原始的振动信号进行了预处理,然后对重构的信号进行了经验模式分解,根据不同故障提取IMF能量特征,并对其能量特征进行了归一化处理,组成特征向量,输入到改进的k-means算法里面进行分类。