设备故障诊断是一门各学科交叉的新技术,近20多年来,得到了迅速发展,并产生了巨大的经济效益。由于离心泵故障信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。常用的时频分析方法如窗口傅立叶变换(Windowed Fourier Transform),WVD(Wigner-Ville Distribution)、小波变换等都有各自的局限性。近来,一种适合于处理非平稳信号的时频分析方法Hilbert-Huang变换(Hilbert-Huang Transform,简称HHT)被提出来以后,经验证在很多方面的应用效果都优于其它的信号处理方法。信息融合是近年来兴起的一门学科,在许多领域得到了广泛的研究和应用,在离心泵故障诊断领域的应用尚处于起步阶段。离心泵故障诊断中可利用的信息很多,只有充分利用有用的信息来对离心泵的故障进行诊断才能提高故障诊断的精度和可靠性,因此故障诊断实质上是一个多信息融合的过程。针对设备故障诊断中存在的处理数据量大、故障类型复杂多变、领域知识难于准确获得、故障识别率低的现状,本文提出了一种Hilbert-Huang变换(HHT)、神经网络和证据理论相结合的信息融合方法,并将其应用于离心泵的故障诊断。提高了故障诊断系统的灵活性、故障诊断的效率和准确性。首先,本文论述了Hilbert-Huang变换技术的特点、形式结构和具体的处理方法,提出了利用HHT进行离心泵振动和汽蚀信号的时频分析方法。通过信号的Hilbert-Huang谱,能够同时在时频域分析信号的变化情况,发现信号不同频率范围能量分布具有很大的差异,为了定量描述这种差异,定义了不同频率范围(不同模态)信号所占的能量比作为特征变量。其次,论述了RBF神经网络的拓扑结构和学习方式;重点介绍了RBF神经网络的特点,提出了一种动态建立网络结构的在线训练算法。最后,详细介绍了D-S证据理论的基本原理、合成规则、推理过程。本文设计了一个基于神经网络和D-S证据理论的信息融合故障诊断方法,从待诊断系统的振动信号的特点入手,划分出两个故障特征征兆域,分设两个子神经网络分别对系统进行初步诊断,然后将诊断结果转化为基本概率赋值再利用D-S证据理论分别进行时间域和空间域的信息融合。最后进行了实验验证,故障诊断的准确度得到了提高,验证了该诊断方法的可行性和有效性。