● 摘要
旋转机械故障诊断过程中，信号处理与特征提取是关键环节。旋转机械设备的故障常表现为强烈的非线性、非平稳性，传统的信号处理方法以信号的平稳性为前提，只能从时域或频域中反映信号的特性，而时频分析方法则可以兼顾信号在时域和频域的局部化特征及全貌。局部均值分解（Local Mean Decomposition, LMD）方法作为一种新的时频分析方法，其最大的特点是处理信号时具有自适应性，该方法为旋转机械故障诊断提供了新的思路。对LMD方法的研究和完善将具有重要的理论价值和实际应用价值。
本文在研究LMD方法的基础上，对其端点效应的抑制方法、LMD瞬时频率精确求解方法以及基于LMD的故障特征提取方法进行了研究。主要研究内容包括：
1）对目前旋转机械信号处理与故障特征提取方法研究现状、故障诊断方法研究现状进行了分析总结。
2）对旋转机械不同工作状态下的振动信号特点进行了分析。选取旋转机械系统典型的故障模式包括转子不平衡、转子碰摩、裂纹和支承松动故障，根据转子动力学方程，通过数值求解，得出不同模式下故障信号的模型。
3）对LMD时频分析方法进行详细研究，采用Prony方法解决算法中瞬时频率的求解问题，并与希尔伯特法和直接法进行对比。针对算法中的端点效应问题，分析了端点效应的产生原因，对目前的端点效应抑制方法进行了梳理，并给出了改进方法——指数平滑延拓法。
4）研究了旋转机械故障信号LMD特征提取方法。给出了两种新的旋转机械故障特征提取方法，分别是基于LMD样本熵和能量比的特征提取方法与基于LMD和多尺度熵的特征提取方法，并将这两种方法与BP神经网络联合用于轴承的故障诊断。
5）搭建了旋转机械典型故障诊断平台，包括信号获取、信号处理与特征提取、故障诊断模块和数据库。平台中应用LMD信号处理方法和基于LMD的故障特征提取方法对旋转机械的典型故障包括不平衡、碰摩、裂纹、支座松动进行了有效识别。