旋转机械如大型蒸汽轮机、燃气轮机、航空发动机等，是国民经济生活的重要生产设施。大型转子系统工况环境恶劣，随着运行时间增长，设备可能会出现各种各样意料不到的故障，影响生产计划，甚至造成人员伤亡等严重后果，因此对转子系统进行维护必不可少。随着设备复杂程度加深，所需采集的设备运行状态数据越来越多，所组成的高维特征数据集，足以使研究人员望而却步。如何在高维数据集中提取设备有价值的信息，已经成为故障诊断领域的热门课题。低维特征空间直观性强，易分析，且数据处理效率高，可使诊断更加容易。　　为此，本文以流形学习理论为基础，以模拟化工机械的压缩机——双跨转子系统为研究对象，利用非接触式的电涡流位移传感器采集得到离线状态下的高维多域故障特征信号集，应用数据降维方法，特别的提出了改进的 NPPE流形学习算法，对多域故障特征集进行降维处理，并与模式分类算法相结合，研究其降维分类效果。主要研究工作及内容如下：　　1)邻域保持多项式嵌入（NPPE）流形学习算法，有易于表达的显式映射函数，能保持数据局部几何结构的非线性特性，还能利用新数据于降维之中，在机械故障诊断领域有巨大的应用潜力。　　2)基于NPPE流形学习算法在旋转机械故障诊断中的应用，并且将其改进为有监督的机器学习形式，适当的提高了量化故障特征提取精度以及后续的故障识别正确率。　　3)将基于小波包能量谱的时频分析方法应用于转子故障诊断中，具有优良的诊断性能，简单，易应用；提取的转子多域高维故障特征集，包含时域、频域、时频域共计26个特征，用于数据降维。　　4)开发了旋转机械故障诊断测试系统 FDTS-1，集MATLAB、SQL Sever和C＃于一身；将振动数据存入 SQL Sever数据库中，方便查询和调用；测试系统中还有各种降维算法和分类算法，可对传感器采集的多通道振动信号组成的多域特征集进行数据分析。　　研究表明：基于流形学习的量化特征提取，因其可以发现故障数据集中的非线性信息，非常适用于此领域；如何将降维分析算法和模式识别算法嵌入在线的状态监测和故障诊断系统，是该领域研究的热门研究方向。