随着科技的发展和企业规模的不断扩大,旋转机械在工业生产过程中的使用越来越广泛,发挥的作用也越来越重要。现在的旋转机械自动化和复杂性日益提升,随之而来的故障发生率也逐步提高。很多情况下,一旦旋转机械发生故障将导致企业面临较大的财产损失和人员伤亡。因此,非常有必要对于旋转机械的运行状态进行监测,进而对其进行有效的故障诊断。这对于保证工业现场安全、平稳运行具有非常高的实用意义。本文主要研究基于旋转机械运行时的振动信号以及支持向量机(Support Vector Machine,SVM)实现有效的故障诊断。通过对振动信号进行时频域分析,提取出有效的特征向量,然后利用支持向量机作为分类器,完成故障的识别。本文对旋转机械系统中的常见故障,包括:转子不平衡、转子不对中、转子裂纹、油膜涡动与油膜振荡、摩擦及机械性松动等,进行了详细分析和介绍,深入揭示了这些故障的成因和特性。在信号处理方面,利用经验小波变换(Empirical Wavelet Transform,EWT)方法对振动信号进行分析。针对经典尺度空间方法划分频带时存在频带分界点个数过多,频带破裂等问题,提出了利用频率能量对频带分界点进行筛选,有效避免了频带破裂现象,提高了经验小波变换方法信号重构的质量。在此基础上,将峭度、峰值因子、裕度因子、脉冲因子、奇异值熵、能量熵、排列熵、样本熵共8个指标组成特征向量,作为支持向量机分类器的输入。在对支持向量机进行训练时,采用K交叉验证(K-Cross Validation,KCV)方法对支持向量机的参数进行优选,有效提高了算法可靠性和稳定性。最后,基于Lab VIEW软件开发了一个上位机故障诊断系统。对系统的方案和需求分析进行了详细介绍,合理设计了软件功能模块,并将经验小波变换和持之向量机等方法融入其中。测试结果表明,该软件系统能够实现旋转机械的故障诊断,诊断结果准确,而且操作方便、简洁。