机械设备的诊断过程包括诊断信息获取、故障特征信息提取和状态识别三部分。其中,故障特征提取和状态识别是诊断的关键。为了从根本上解决故障特征提取这个关键问题,必须借助于信息处理、特别是现代信号处理的理论方法和技术手段,探索故障特征提取的途径,发展新的故障诊断理论和技术。本文正是在以上基础上,结合现在比较新颖的小波理论、第二代小波、经验模式分解、独立分量分析(ICA)技术,开展了若干机械系统特征提取的尝试性工作,主要研究内容包括:(1)将提升小波变换和灰色系统理论应用于旋转机械故障诊断的研究,在对振动信号提升小波变换的基础上,建立了时域和频域的复合特征向量模型,并用灰色关联度对多源故障模式进行了有效的识别。试验结果表明,此方法的有效性,在机械诊断中具有很大的应用潜力。(2)提出了一种新的滚动轴承故障诊断方法:EMD-AR模型灰色识别法。首先对振动信号进行经验模式EMD分解,然后重新组合基本模式分量(IntrinsicMode Function,IMF)依重组分量建立AR模型,将模型自回归参数ψ和模型的残差方差σ组成特征向量,利用灰色关联度作为模式识别的方法,实现了对滚动轴承的精密诊断。(3)通过分析机械信号的数学模型,利用独立分量分析(independentcomponent analysis,ICA)技术提取机械信号中的独立分量,并定义为振源波形基。将观测信号投影到几个峰度大的波形基上,得到的各个投影分量作为待识别的信号特征。由于振源波形基实际上对应了振源的中心响应,使得该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持向量机(support vector machine,SVM)作为分类器进行了仿真实验和工程实验,实验结果表明该方法是有效和可行的。(4)为了识别转子-轴承系统的独立源信号,分析了故障转子非线性动力学机理,提出了小波-独立分量分析(ICA)方法。小波分析与ICA的有机结合使两者优势得以发挥,隐藏于多通道传感观测中的独立源波形得以分离。实验结果表明该方法的有效性,为识别转子-轴承系统非线性振动响应提供了一种新方法。(5)分析了振源卷积混叠机理,提出了一种双谱解卷积方法,并从盲源分离和波形恢复的角度对新方法的实用背景进行了概括。(6)针对噪声干扰、不同源信号的混叠造成特征提取困难的问题,提出改进的PCA盲解卷积方法来分离机器的振动信号,提取其状态特征。本论文得到了陕西省自然科学基金(2007E204)的资助