本研究在国家自然科学基金面上项目（51879121）和国家重点研发计划（2018YFB0606103）的资助下展开工作。离心泵广泛应用于生产和生活中,但由于其工作环境恶劣、作业时间长,容易出现偏工况运行和故障。因此,离心泵的有效状态监测和运行状态识别是保证生产和生活安全的前提条件。当前离心泵状态监测系统存在高成本、地域限制严重、实时性差等缺点。本文首先利用物联网技术的实时交互性和云平台的强大算力,自主开发离心泵振动信号监测系统,对离心泵运行时产生的振动信号进行实时监控,并通过实验对所设计的振动信号监测系统进行了验证。实验结果表明,本文设计的振动信号监测系统可实时监测离心泵运行时的振动信号,并对所监测的振动信号数据进行管理。并根据实验时获取的振动信号对离心泵进行工况识别。分别使用时域、频域和时频域特征提取方法对振动信号进行特征提取,构建特征向量。改进二叉树支持向量机,使用不同特征提取方法得到的特征向量对改进二叉树支持向量机模型进行训练,以识别离心泵的运行工况。本文的研究内容和创新点如下:1.创新开发了一套基于嵌入式、物联网和云平台的实时振动信号监测系统。该系统包括三部分,由微处理器STM32F103RCT6、模数转换芯片ADS127L01、WIFI模块ESP8266和外围电路构成的振动信号监测硬件终端;针对该硬件终端定制开发的嵌入式软件;以及基于云平台设计的上位机。硬件终端主要包括电源模块、可编程恒流源、信号调理电路、模数转换、信号传输模块和主控模块构成;嵌入式软件实现了硬件终端的具体功能,保障终端正常运行;云平台上的上位机由用于接收数据的TCP/IP服务器、用于存储数据的My SQL数据库和用于人机交互的网站构成。2.搭建了离心泵实验台,首先通过实验验证了自主设计的离心泵振动信号监测系统可实现实时离心泵振动信号监测、振动数据存储、振动数据显示及数据管理等预期功能。其次设计合理的试验方案,使用本文所设计的振动信号监测系统分别采集出口阀门开至100%时电机不同转速下离心泵的振动信号以及电机转速为6400r/min时不同出口阀门开度下离心泵的振动信号。3.振动信号是一种非平稳复杂信号,为对其进行分析和处理,本文从时域、频域和时频域三个角度对采集到的振动信号进行特征提取。使用均值、标准偏差、均方根、峭度和偏度五个时域统计指标构建时域特征向量。使用重心频率、均方频率、均方根频率和频率方差四个频域统计指标构建频域特征向量。基于互补集合经验模态分解,以能量特征作为时频域特征向量。并将三种方法构建的特征向量用于改进支持向量机分类算法的训练和预测。4.二叉树支持向量机模型结构简单、分类准确率高,但其错误会沿着二叉树传递。为此,本文创新使用k-means聚类算法对二叉树支持向量机模型的结构进行优化,构造在样本特征空间中最优的二叉树支持向量机模型。将本文设计的改进二叉树支持向量机模型用于离心泵工况识别,使用三种特征提取方法构建的特征向量对改进模型进行训练和测试,同时使用其它两种支持向量机多分类模型作为对比。结果表明,三种特征提取方法中,时频域方法构建的特征向量在工况识别中表现最好;三种多分类模型中,本文设计的改进算法结构简单,具有更好的综合性能,在对不同转速工况进行分类识别时,准确率达到92.5%,在对不同出口阀门开度工况进行分类识别时,准确率达到81.67%。