本课题针对机械装备转子系统结构复杂、承受载荷大、驱动电机功率大、振动问题突出、影响载荷与故障的因素多的特点而提出,对系统进行载荷识别以保证机械装备可靠安全的运行。旋转机械应用广泛。转子系统,作为旋转机械的核心部件,对其监测尤为重要。在电机拖动的转子系统中,当系统受到扭矩激励的载荷时,载荷特性会反应到响应信号中。其中,振动信号易采集,能够很好地反映载荷的作用时刻和强度信息;拖动电机的定子电流信号,由于电磁转矩的联系,也包含有载荷的特征信息,可以作为识别载荷的重要信息。因此,这两类信号可以作为载荷识别的信息来源。本文通过搭建的转子试验台,进行了稳态、冲击、线性、正弦4种不同类型的载荷激励试验,采集了转子系统的振动信号和拖动电机的电流信号。基于振动信号常含有噪声的特点,提出一种改进的阈值处理函数,对振动信号进行了降噪;基于电机电流信号中特征谱容易淹没于工频谱的特点,提出了奇异值分解,对工频分量进行了弱化,凸显了特征分量。对两类信号预处理之后,分别进行了载荷的类型识别和载荷的定量识别。在不同类型载荷作用下,针对振动信号,引入分形理论中的关联维数,在时域进行数值化特征提取,揭示载荷类型与振动特征量的映射关系,提出了基于振动信号进行转子系统载荷类型辨识的思路。针对电流信号,利用小波包分解,在频域提取信号的能量特征分布,形成特征向量,建立载荷类型与特征向量的映射关系,提出基于电流信号进行转子系统载荷类型识别的思路。针对单源信号在载荷类型识别中的局限性,综合振动信号和电流信号,提出了基于贝叶斯估计的多源融合技术,构建载荷类型与两种响应信号特征量的映射关系,为载荷类型辨识提供了新思路。针对载荷的定量识别,引入支持向量机机器学习方法。利用单源的振动信号和电流信号,通过回归型支持向量机,将稳态载荷作为训练样本,拟合出响应信号幅值与载荷数值的耦合关系模型。对于测试样本,输入选取的信号特征点的幅值,即可得到预测的载荷数值,通过离散的载荷数值拟合出载荷的公式或图线。针对单源信号在载荷定量识别中的不稳定性,提出了结合两种信号的多源融合技术,进行了载荷的定量识别,并证明了方法的可靠性。本文对载荷类型的识别,填补了载荷识别方面的部分空白。另外,本文提出的识别方法,均不需要考虑系统本身的参数,避免了繁琐的系统建模过程,可以用来解决其他相似问题。