机械旋转设备在监测过程中产生的数据,会带来数据存储,数据传输、数据挖掘等一系列问题。因此对监测数据进行稀疏分解,通过稀疏分解的方法提取具有高信息、高价值的故障特征,可以有效保证旋转机械设备安全稳定运行。针对现有稀疏分解研究中关于提升稀疏完备字典自适应性所存在的两个难点问题:(1)以数据驱动为前提的稀疏完备字典自由基原子获取问题;(2)以先验知识假设为前提的稀疏完备字典固定基原子获取问题。本文结合 TQWT(tunable Q-factor wavelet transform,TQWT)算法,从自适应、多阶迭代分析滤波器组、特征匹配等角度逐步开展研究,旨在通过稀疏分解从噪声背景中提取出信号的故障特征,提升稀疏完备字典的鲁棒性。主要研究内容及取得研究结果如下:(1)针对TQWT算法过度依赖先验知识进行参数预设来提取自由基原子的问题,开展了基于自适应TQWT的故障稀疏特征提取方法研究。为了提取与稀疏完备字典相匹配的自由基原子,借助TQWT分解中可以随信号特征调整品质因子的特性,采用最大峭度原则在遍历迭代的基础上实现了信号的多分辨率分解。基于此,无需进行逆向重构信号即可在在子带中提取出自由基原子。(2)通过对TQWT算法各阶滤波器组进行迭代遍历,实现了对研究目标信号的自适应分解。基于此,分别开展了单、双品质因子TQWT的故障稀疏特征提取方法研究。在单通道TQWT分析滤波器分解的基础上,引入了高、低品质因子的双品质因子TQWT分解方法。在优化后的子带获中提取振荡冲击成分作为自由基原子,通过拓普利兹延拓构建与研究目标信号维度一致的自适应完备字典,,为基于固定原子的稀疏完备字典构建提供研究策略依据。(3)为了确保TQWT子带中在不遍历品质因子的情况下同样可以获得足够的振荡冲击信息,开展了基于TQWT算法与VMD相结合的稀疏分解方法。通过层层递进、逐步优化的信号分解思想,将TQWT分解后获取的子带作为初始信号,利用VMD方法对其进行进一步的分解,从而达到了抑制噪声来优化子带信号的效果,实现了获得更为理想的故障冲击特征成分的目的。同时也为完善了 TQWT改进算法的研究框架。(4)针对稀疏分解中固定基原子与信号冲击特征难以匹配的问题,提出了基于相关性准则的品质因子稀疏故障特征提取方法。基于先验知识假设,即品质因子可以表征故障信号中的冲击特征的理论假设,利用品质因子的振荡特性在不同的参数下构建丰富的稀疏原子样本库,从而可以保证稀疏原子可以适配信号振荡冲击特征。在最优原子的选取上引入相关性准则,通过构建基于品质因子的稀疏完备字典来获取稀疏信号,在跨转速、跨故障模式的诊断实验中进行了验证。