转子是旋转机械的重要组成部分,裂纹是转轴中最为常见的故障之一,若转轴中的裂纹不能及时被发现,裂纹的扩展可能造成轴系的断裂导致出现灾难性事故,对经济财产和人身安全造成重大威胁。因此,针对裂纹转子的动力学特性进行研究,并对转子的状态进行实时在线监测,实现含裂纹轴系的旋转机械在运行过程的参数识别,对于保障旋转机械的安全可靠运行避免重大事故的发生具有重大意义。本文以裂纹转子系统为研究对象,建立了含呼吸裂纹的转子系统有限元模型,在1/2和1/3临界转速下对转子的动力学特性进行研究,基于卷积神经网络在不对中故障干扰下对转子系统的裂纹故障进行检测,对转子系统的4种状态进行了分类,并进行实验验证。最后基于改进的NSGA-Ⅲ和Kriging代理模型对转子系统的裂纹参数进行定量识别。基于断裂力学理论计算了转子裂纹尖端的应力强度因子,并根据应变能释放理论计算了裂纹单元的刚度,采用应力强度因子为零法确定了呼吸裂纹的开闭状态,并推导出直裂纹和斜裂纹统一的刚度矩阵,建立了含裂纹的转子系统有限元模型,最后通过模态实验证明了转子系统有限元模型的正确性。通过计算裂纹单元的刚度,发现了裂纹深度增加会减少裂纹单元的刚度,直、斜裂纹的主刚度和耦合刚度均出现了强烈的非线性特点,并呈现出一定的周期性和对称性,斜裂纹在各个方向均存在比较明显的耦合现象,直裂纹的弯扭耦合不明显。对转子系统的动力学特性进行分析发现裂纹转子在1/2临界转速附近转轴的2X超谐成分和1/3临界转速附近3X超谐成分是转子中裂纹存在的重要特征。建立了联轴器具有不对中故障的转子系统的动力学模型,将具有裂纹故障、不对中故障和不对中-裂纹耦合故障的转子系统与健康转子的动力学特性进行对比,为了排除不对中故障对转子裂纹检测的干扰,利用卷积神经网络对系统的4种状态进行分类,并通过实验验证所提出方法的有效性。针对裂纹参数的在线定量识别问题,将裂纹参数定量识别问题转为多目标优化问题。基于Kriging代理模型,建立了裂纹参数和相应超谐成分幅值之间的关系,实现了对转子超谐成分幅值的预测,代替获取裂纹转子动力学响应所需的有限元计算过程。对NSGA-Ⅲ算法进行改进,加快了优化过程目标函数的收敛速度并提高了裂纹参数识别的精度和效率。最后基于改进的NSGA-Ⅲ和Kriging代理模型实现了在转子运行状态下识别裂纹的位置、深度和类型。本文在转子运行条件下提出了可靠的转子系统裂纹检测方法、定位方法及定量识别方法,并将深度学习、Kriging代理模型、NSGA-Ⅲ算法等前沿理论应用于传统转子系统的裂纹监测问题,具有一定的实用价值。