转子、轴承和齿轮是旋转机械的重要组成部件,在运行中起到支撑、动力转化和功率传递的重要作用,其性能状态对机械设备运行及效率具有重要的影响。在旋转机械启停运行阶段,转速的变化导致系统振动信号不再具有周期性,同时也导致振动信号产生调频、调幅和调相等非平稳特征,造成以转速平稳为前提的故障诊断方法失效。近年来,针对变转速条件下旋转机械的故障诊断研究已成为研究热点之一。基于转子、轴承和齿轮部件不同部位发生故障时导致机械系统采集的振动信号表现出不同的非平稳性特点,国内外学者先后提出多种不同处理方法。然而,不同的旋转机械转速变化形式多样,导致其振动信号的非平稳特征不同,造成已有方法适应性较低,不利于实际生产应用。因此,以转子、轴承和齿轮为研究对象,开展适用于不同变转速条件下的旋转零部件故障诊断方法研究具有重要意义。本文在“基于多时间尺度模型的变工况大型旋转机械健康管理研究”(国家自然科学基金项目(51475455))的基础上,以机械设备中转子、轴承和齿轮旋转零部件为研究对象,针对变转速运行工况下振动信号信噪比低、对转速测量装置依赖以及包含部件故障信息微弱等问题,开展了不同转速变化条件下基于振动信号的噪声消除、转速提取、故障敏感频带定位和故障特征提取方法的研究。论文主要研究工作如下:(1)研究分析了转子、轴承和齿轮的常见故障类型,指出在变转速工况下部件不同故障对应的故障特征,分析构建了不同部件对应故障振动模型。通过仿真手段分别分析了转子、轴承和齿轮在变转速工况下时域、频域和阶域信号特征,为后续基于阶谱成分辨识的故障信息提取建立了基础。同时,还针对本课题研究内容设计了不同实验方案,采集了相应的实验数据。(2)在实际生产中采集的振动信号存在大量的噪声干扰,导致表征部件故障特征信息成分被淹没。针对此问题,引入奇异值分解(Singular Value Decomposition,SVD)降噪算法并指出其在变转速工况下振动信号降噪分析中存在的缺陷。在此基础上,结合变转速工况下设备振动信号的特性,提出了迭代奇异值分解降噪方法(Iterated Singular Value Decomposition,ISVD),通过仿真信号和不同故障轴承实验数据分别进行ISVD降噪分析,并通过对比故障阶次成分幅值大小定量表述所提方法的有效性。(3)为获得无转速计辅助情况下启停运行阶段转子、轴承和齿轮的转速信息,提出了基于振动信号时频脊线特征直接提取转速信息的解决方案。在信号短时傅里叶变换(Short Time Fourier Transform,STFT)时频分析中,引入最小信息熵准则自适应确定窗长,提出自适应STFT时频分析方法,有效地提高信号的时频分辨率。同时,分析了现有基于脊线检测的转速提取方法存在的优点及不足,并在此基础上提出一种基于优化动态路径规划脊线检测(Optimized Dynamic Path Planning Based Ridge Detection,ODPPRD)的转速提取方法,通过多组不同变转速条件下的实验数据分别验证所提方法的有效性。(4)为了克服在变转速工况下常见敏感频带定位方法在定位转子、轴承和齿轮故障信息频带时存在偏差等缺陷,在分析转速变化对峭度类指标影响的基础上,结合信号阶谱特性提出阶谱相关峭度(Order Spectrum Corrlated Kurtosis,OSCK)指标。同时,考虑到角域重采样易引起信号共振带扭曲的现象,指出信号共振带的确定必须在进行角域重采样之前完成。基于此,利用OSCK替换快速谱峭度图中的谱峭度指标,提出了基于快速阶谱相关峭度图(Fast Order Spectrum Kurtogram,FOSCK)的信号故障敏感频带定位方法,实现了不同变转速运行工况下转子、轴承和齿轮不同故障对应敏感频带的准确定位。(5)针对实际生产应用中不同旋转部件一种或多种故障并发的情况,开展了基于转子、轴承和齿轮故障的快速分类识别研究。在变转速运行工况下,不同旋转部件故障振动信号的谱图特征具有明显差异。基于此,分别针对转速变化较慢和较快两种不同工况,运用随机统计平均算法构造了频谱随机统计平均特征和阶谱随机统计平均特征;结合最近邻分类算法(Nearest Neighbour Classifier,NNC)对谱图特征进行故障模式分类,实现了变转速工况下转子、轴承和齿轮的单一和混合故障的快速有效分类。该论文有图137幅,表23个,参考文献191篇。