随着科学技术的不断提高,旋转机械工作强度不断增大,为保证设备系统能够安全、可靠、高效地运行,避免造成巨大的经济损失和重大事故的发生,以旋转机械为研究对象,进行状态监测和故障诊断研究,具有非常重要而现实的意义。针对传统的时频分析方法(如短时傅立叶变换、小波与小波包变换)存在时间和频率的分辨率互相牵制、信号分解缺乏自适应性的不足,和传统的模式识别方法(如人工神经网络)局限于静态模式识别上的问题,本文引入最新的时频分析方法局部均值分解(Local Mean Decomposition, LMD)和发展较快的动态模式识别方法隐半马尔科夫模型(Hidden Semi-Markov Model, HSMM)。LMD能够基于信号本身,自适应地将一个多分量信号分解成一系列单分量的乘积函数(Product Function, PF)之和,每个乘积函数由一个纯调频函数和一个包络函数相乘而得,将所有乘积函数的瞬时频率和幅值相组合,便能够完整地呈现出原始信号的时频分布。HSMM基于时间跨度上的动态信息进行建模分类,非常适用于分析一些信息量较大、非平稳、特征重复再现性较差的信号,且具有训练样本少、训练速度快、分类识别能力强的特点。因此,本文利用LMD和HSMM相结合的方法对旋转机械进行状态监测与故障诊断。首先,本文论述了旋转机械故障诊断技术的发展概况,介绍了LMD方法相关概念、基本理论和算法,并将其与EMD (Empirical Mode Decomposition, EMD)方法进行对比,通过仿真分析验证了LMD处理非平稳信号的优越性。在此基础上,提出了一种基于小波包降噪与LMD分解相结合的特征提取方法,先采用小波包降低噪声的影响,再进行LMD分解,并对分解得到的PF分量进行相关性分析,选取有效PF分量进行时、频域特征参数提取。通过仿真分析和对实际信号的处理,验证了该方法的有效性。然后,本文研究了基于HSMM的机械设备状态监测与故障诊断方法,并针对基本算法中存在的部分问题进行了改进。提出了基于LMD和HSMM相结合的旋转机械状态监测与故障诊断方法,并将其成功应用于滚动轴承故障诊断中。实验结果表明,HSMM模型训练速度快,识别精度高,利用LMD和HSMM相结合的方法能够有效地识别出滚动轴承的运行状态,且能够保证故障诊断的实时性和准确性。最后,本文进一步采用LMD和HSMM相结合的方法对机械密封端面膜厚状态进行模式识别,识别效果较为理想,验证了该方法应用于旋转机械状态监测与故障诊断的有效性和适用性。为了验证HSMM模型用于状态监测与故障诊断的优势,本文又利用同样的信号特征,将HSMM模型和应用广泛的BP神经网络的识别效果进行了对比分析,分析结果表明,HSMM训练速度比BP神经网络更快,且识别精度更高,将HSMM应用于旋转机械的状态监测与故障诊断中更具优势,具有更广泛的应用前景。