随着现代工业技术迅速发展,旋转机械设备正朝着大型化、高速化、轻型化和智能化的方向发展。旋转机械日益复杂,转子系统作为其的核心部分,长期运行过程中,存在各种随机因素,极易发生故障,轴系之间的连锁反应,往往会造成巨大损失和严重后果。因此,对转子系统的故障监测与故障诊断具有重要意义。近年来,随着物联网的快速发展,对转子系统的智能故障诊断也提出了更高的要求。轴心轨迹的特征提取与自动识别是旋转机械故障诊断中一种常用的方法。轴心轨迹是由一组互相垂直的振动位移信号合成,通过观察和监测轴心轨迹可以形象、直观地获取设备的运行状况。传统的方法多采用时频处理、信号处理技术,故障诊断效率低,误判率高。本文在传统信号处理的基础上,引入图像处理、不变矩特征提取与自动识别等技术,取得了较好的试验效果,并针对双跨转子系统两个转子处轴心轨迹区别做了详细的试验分析,无疑将为旋转机械故障诊断技术研究提供新的研究思路和数据支持。论文主要工作如下:(1)对转子系统轴心轨迹特征提取与自动识别相关技术理论进行研究,研究包括信号提纯、图像处理、不变矩特征提取、流形学习理论、分形理论、以及图像模式识别相关理论等,为后续的研究打下基础。(2)对比了几种轴心轨迹边缘检测算法和图像特征提取方法,提出将轴心轨迹图像不变矩与分形盒维数作为组合特征向量,并利用神经网络进行学习与识别的故障诊断方法,该方法对常见的故障类型有很好的识别效果,由于引入了分形盒维数作为特征向量的一部分,使得该方法对油膜涡动和油膜振荡更为敏感。(3)针对轴心轨迹杂乱,影响识别率和识别速度的问题,提出将形态学图像处理和Hu不变矩特征向量用于轴心轨迹的自动识别。首先对原始信号进行中值滤波,对滤波后的轴心轨迹进行膨胀、收缩和骨架化运算等形态学处理,还原出干净的轴心轨迹,计算骨架化轴心轨迹的Hu不变矩,并将其作为特征向量进行BP神经网络的训练与识别。试验结果表明,经过处理后的轴心轨迹图形更为纯净,实际工况的轴心轨迹图形与试验样本图形差异化减小,计算效率明显提高,是一种可靠、有效的轴心轨迹识别方法。(4)针对转子系统二维轴心轨迹轴向故障特征缺失的问题,本文通过提取三维轴心轨迹,并采用LTSA流形学习算法处理,将三维轴心轨迹转化为二维流形图。结果表明,二维流形图相较于三维轴心轨迹具有简单直观的特征区分,并且保留了三维轴心轨迹各数据点的空间拓扑关系。(5)针对双跨转子系统两个转子处的轴心轨迹特征做了详细的试验分析,通过采集转子系统正常、不对中、油膜涡动和油膜振荡四种状态的轴心轨迹,从故障机理、转子系统结构特点及故障发生位置等方面进行分析,为今后的双跨转子系统故障诊断提供试验依据和理论指导。