旋转机械故障诊断，主要包括故障信号的获取、提取故障的特征、模式识别和故障诊断三个步骤。而其中最为关键的步骤是提取故障信号的特征。振动信号反映了机械设备的当前运行状况，通过对其时域、频域、幅值域的信号分析，可以把机械设备本身的状态信息最大限度地提取出来，确定设备的故障所在[4]。振动监测与诊断中又以动平衡分析与轴承故障诊断最为重要[5]。22770
 
图1.1  机械故障诊断的基本过程和原理
机械故障诊断技术是上世纪60年代诞生的，并且伴随着传感器技术、计算机技术和信息处理技术学科的发展而成为一门新兴的交叉学科。几十年来各国在该方面大力开展相关研究，取得显著成果，带来了巨大的经济效益。目前国内外学者对裂纹和碰摩单一故障研究较多，提出了一些有效方法来诊断裂纹故障和碰摩故障[6]。
旋转机械故障诊断技术主要是关于故障机理的研究、故障信息处理技术的研究、模式识别与人工智能技术的研究和故障诊断系统的开发与研究。
故障机理的研究目的主要是为了掌握故障的形成与发展过程，进而了解故障内在本质及其特征，最终得以建立合理故障模式。论文网
故障信息处理技术目的是提取故障信号特征，服务于模式识别和故障诊断。经典信号处理分析方法是以傅里叶变换为核心的方法，它显著作用于设备状态检测与故障诊断方面。以ARMR时序模型为代表的现代谱分析方法，与傅里叶分析方法相异。当设备有故障或者负荷、转速产生变化的时候，一般情况是非平稳过程，从时间和频率两方面进行分析是必要的。主要方法有：短时傅氏变换（STFT）、小波变换和Wigner分布等等。
模式识别技术在故障诊断中的运用是在故障特征提取的基础上进而去识别故障。该技术主要包括隐Markov、统计模式识别、模糊集理论、句法模式识别等，广泛应用于旋转机械的故障诊断研究，效果较好。人工智能技术用于故障诊断技术是诊断自动化的实现，是现阶段故障诊断的发展方向。现代信号分析与处理技术的本质从整体上来说可以用七个“非”字加以高度地概括,即:研究和分析非线性、非因果、非最小相位系统,非高斯、非平稳、非整数文(分形)信号和非白色的加性噪声(有色噪声)。新兴的很多处理与分析技术都是针对信号和系统的这七个特征发展起来的[7]。
为了求解复杂性问题，近年开发出一种分布式人工智能系统，其处理一个复杂问题采用多个问题求解器。人工神经网络相较于传统模式，有着性质稳定，更强分类能力的优点，从而在旋转机械故障诊断中应用得极其普遍。
 1.2基于智能故障诊断的过程流程图
设备故障诊断与实际手段是密不可分的，二者相辅相成。便携式的振动检测系统与诊断系统和在线监测与诊断系统是目前这方面发展的两个主要方向。前者主要采用单片机，优点是使用方便，弊端是信号分析和故障诊断的功能比较弱。在线监测与诊断系统正朝着网络化方向发展，基于以太网的网络系统应用较为普遍，可以将众多工作站进行连接，最终形成不同规模的网络化监测与诊断系统，这样子利于集中管理。一般可采用电话线、电缆、光缆等多种方式进行信号传输。 旋转机械故障诊断的国内外研究现状:http://www.youerw.com/yanjiu/lunwen_15543.html