目前,大型泵站主要采用故障检修与定期检修相结合的维修方式,实现对泵站的安全运行管理。许多泵站已经增设了状态监测系统,然而主要以状态监测为主,部分系统提供了状态评价和故障诊断软件功能,但实际应用效果远未达到预期效果。其主要原因包括:水泵机组的状态量成分复杂,状态特征提取难;影响水泵机组状态的因素多,难以建立精确的状态评价模型等。为提高大型泵站的运行管理水平,结合南水北调泵站群运行管理的需要,针对目前状态监测和分析评价系统的关键问题,开展了大型水泵机组振动信号处理与综合评价方法研究,重点进行了水泵机组振动信号滤波与特征提取、水泵机组振动趋势预测、以及基于综合扣分法的水泵机组状态评价方法研究。在此基础上开发了状态特征提取和状态综合评价软件,已应用于南水北调泵站群远程状态监测与协作诊断系统中。该研究同样适用于其他的大型调水工程和各种大型泵站。首先介绍了目前泵站的智能化发展趋势以及水泵机组状态预测、状态评价、以及状态检修技术的国内外发展现状。第二章根据南水北调泵站群运行管理的需求,在实验室已有研究的基础上,提出了课题的研究目标,介绍了研究方法和软件方案。第三章针对水泵机组振动信号中包含了大量能够表征引起振动原因的特征信息,但是振动信号总是受干扰严重的情况,开展了多种水泵机组振动信号特征提取方法比较和选择研究。首先分别编程实现巴特沃斯、汉宁窗的FIR、谐波小波等滤波器对现场采集的水泵机组振动信号的滤波,分析比较滤波效果,发现谐波小波对于指定频段的振动信号滤波更彻底且滤波前后零相移。接着,提出了谐波小波滤波后基于振动信号95%的置信区间进行时域特征提取以及基于频谱分析进行频域特征提取的方法,实例验证表明该方法提取的时、频域特征值相比于传统特征提取方法精确度更高。最后,研究了采用滑动窗口的方法实现了对水泵机组振动信号时、频域特征值的历史趋势特征提取。第四章针对影响水泵机组振动及其发展的因素多且复杂,常用预测模型往往只适用于某一类型趋势预测,算法适应性差、预测精度不高等问题,开展了水泵机组振动趋势预测方法研究。对ARIMA模型、复合预测模型、与基于深度学习的循环神经网络模型分别进行了理论分析与编程进行算法验证。经过对三种模型的预测效果分析与比较,采用循环神经网络模型预测水泵机组振动趋势,能够自适应水泵机组振动信号的趋势变化,比其他两种模型的预测精度更高。第五章针对目前通常采用分类状态参数进行水泵机组状态评价,不能综合考虑多种状态参数对状态的影响,开展了基于综合扣分法的水泵机组状态评价方法研究。首先对电机与水泵进行部件划分,确定能够反映每一个部件的状态量作为评价指标点。然后依据运行规程与健康样本特征统计确定各个指标点的评分标准,制定了部件状态的评价规则。在对部件综合评价的基础上再进行设备的状态评价。该方法能够综合考虑每一个评价指标对机组的影响。实际泵站应用效果表明,该评价模型能够客观反映电机与水泵的健康状态,并且在状态异常时可以反向回溯异常状态量的变化过程。第六章介绍了基于云服务器的水泵机组远程状态监测系统的开发方法,并详细介绍了水泵机组振动分析模块、历史数据分析模块、趋势预测模块以及综合评价模块的软件开发与实现过程。开发的软件模块已经应用到水泵机组远程状态监测与协作诊断系统中,可以在线实现机组的振动信号分析、历史数据分析、趋势预测以及综合状态评价,效果良好。