随着旋转机械装置不断向先进智能化方向迈进,如何提高智能故障诊断的决策水平,是我们最新面临的挑战。故障辨识是智能故障诊断中最关键的一步,它能有效、准确地挖掘出丰富的设备故障信息,找出不同类别的样本群在特征空间中的分布区域和边界,为后续的决策知识库构建提供最重要的参考和指导。因此,训练出能有效辨识出故障并有一定泛化能力和容错性的分类器、重视故障发生的不确定性(随机性和模糊性的统称)和故障数据中的随机量,是本项研究工作关注的重点问题。本研究围绕机械故障分类展开,具体关注点有:集成学习用于故障识别时基分类器差异性的提高、故障数据中不确定性知识的表达、计算与故障分类过程中的可视化表达。具体研究内容及与取得的研究成果如下:(1)针对Bagging集成学习中基分类器之间差异性偏低的问题,提出一种改进型集成神经网络算法并将其用于双跨转子故障模式辨识。通过Relief-F算法和改进轮盘赌法扰动低维转子故障数据集中的特征,通过Bagging学习的重采样算法扰动训练样本。经过两次扰动后,使得训练后的基分类器之间有了更高的差异性,让最终的分类结果可信度更高。最后在低维双跨转子故障数据集上验证了以BP网络为基分类器的双扰动集成学习方法的辨识性能,结果表明,双重扰动法能够明显的提升BP神经网络的辨识能力。(2)针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法。将经预处理之后的信号进行云化,提取出各状态下信号分布云的三个参数:期望、熵和超熵,将这三个参数作为表征轴承状态的特征数据;将数据集归一化处理后送入集成极限学习机进行识别。研究结果表明,云-集成极限学习机与传统神经网络识别方法相比,能有效地实现轴承故障模式识别,有更高的识别率和稳定性,且在抗噪性方面有较好的表现。(3)为了充分利用海量数据中所蕴含的信息对轴承故障进行有效识别,利用云理论建立起轴承故障数据与故障类别之间的映射,得到了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法结合云分布隶属度系数,提出了任意样本对于故障类别的最终隶属度计算方法。通过由不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力;将该分类方法与常用的分类方法在含噪声的测试样本上进行对比实验,结果证明了该分类方法在抗噪性方面的优越性。云理论可以将语义概念的表达可视化,统一数据中的模糊性和随机性,在机械大数据背景下的故障辨识领域具有广阔的前景,后续研究将重点探索利用云模型衍生虚拟样本实现不平衡学习、利用云模型实现故障数据降维。