旋转机械在现代生产体系中占据着不可替代的位置,一旦发生故障而没有及时发觉,就会由于多米诺效应导致整个系统瘫痪,造成重大的经济损失甚至人员伤亡。因此对旋转机械的故障识别技术显得尤为重要。故障识别主要步骤是首先获取设备现场运行信息,然后提取故障特征,最后进行状态识别和故障诊断。其中的关键是从振动信号中提取故障特征,也是本文的研究重点。本文深入研究了流形学习算法的基本原理,针对其易形成数据空洞而导致样本缺失的问题做出改进,并通过UCI数据集的仿真实例验证流形学习在揭示信号本质结构方面的有效性。对流形学习应用在故障识别时的高聚类性进行深入分析,与传统的主元分析等线性处理方法进行对比,说明了流形学习能够发现数据集隐藏在高维观测样本下的本质结构。本文采用流形学习和固有模态函数特征能量相结合的方法来提取故障信息特征。现场采集的设备振动信号经过EMD时频分析方法后得到若干个固有模态函数,由各阶固有模态函数的能量值组成特征向量,然后采用流形学习去除特征之间的冗余信息,提取出最能表征故障信息的特征。本文以机械故障综合模拟实验台为研究对象,搭建了基于Lab VIEW的信号采集系统,采用所提方法成功地对轴承和齿轮进行了故障诊断,发现了基于流形学习的故障识别技术对工况不敏感而对故障程度敏感,这对于故障诊断具有重要意义。本文将流形学习引入风电机组在线监测与故障诊断系统,成功地对风电机组的传动链进行了故障诊断,是技术理论转化为工程应用的一个重要实践。