转子系统的诊断过程包括诊断信息的获取、故障特征信息提取和状态识别三部分。其中,故障特征提取和状态识别是诊断的关键。本文将时频分析的新方法经验模态分解(Empirical Mode Decomposition,简称EMD)和模式识别的新技术一支持向量机(Support Vector Machine,简称SVM)应用于转子系统的故障诊断中。 EMD方法是近年来提出的信号处理方法,经验证在很多方面的应用效果都要优于其它的信号处理方法;支持向量机有比神经网络更好的泛化能力,且能保证找到的极值点就是全局最优解,同时它还较好地解决了小样本问题。本文对EMD方法和支持向量机在转子系统故障诊断中的应用进行了一些研究。主要研究工作如下: 定义基于EMD的奇异值熵对转子系统进行状态监测和故障诊断,并对采样率对奇异值熵的影响做了进一步的研究,结果表明,在不同的工况下,奇异值熵大小有差别,可用于故障特征提取。 提出了基于Hilbert-Huang变换时频熵的转子系统故障诊断方法,Hilbert谱精确地描述了信号的幅值在整个频率段上随频率和时间的变化规律,是信号能量的一种时频分布,基于Hilbert-Huang变换的时频熵是对上述时频分布的定量描述,对转子实验数据的分析结果表明,该方法能够有效地提取转子系统故障振动信号的特征,并能够成功地对转子系统的工作状态和故障类型进行分类。 探讨了支持向量机分类器在转子系统故障诊断中的应用,通过实验数据分析,并与BP神经网络的对比实验,证明了支持向量机分类器在训练时间、小样本情况下的预测推广能力和抗噪声能力方面全面优于BP神经网络,适合用于故障诊断。 提出了基于支持向量机回归预测模型的转子系统诊断方法,该方法不必进行信号预处理以提取特征量,便能实现多故障的识别与诊断。因此它具有算法简单,故障分类能力强等优点。通过实验数据分析,并与BP神经网络的对比实验,说明了该方法的有效性。