旋转设备的故障诊断技术在工程中有着重要的地位和应用价值,建立一套特征提取和状态检测的方法是重中之中。通过早期诊断预防设备发生重大事故,对于国民经济和安全具有巨大价值,也是当前研究的焦点。常用的特征识别和检测方法大致分为时域、频域和时频域三大类,然而真实的信号成分复杂且噪声干扰严重。利用现今的机器学习等方法,样本训练的时间成本高且后期仍需要调参,这在工业生产中的应用性差。且旋转设备故障诊断的诸多诊断指标具有不同的适用范围,处理多样性的信号出现效果不佳和错判的情况。由于故障早期信号十分微弱而难以诊断,工业诊断对精确度要求较高。一套在大多数情况下能有效提取特征并做出准确诊断的系统一直是研究的难点,该方向研究也十分有意义。本文针对上述存在的问题,构建了一套有效特征提取和诊断系统,主要研究如下:首先,本文提出基于稀疏滤波和参数化时频分析的方法(SF-PTFA)。通过稀疏滤波选取相应的原子,得到预想的故障特征,然后利用参数化时频分析准确地提取出这些信号。在仿真和真实信号实验中,对轴承和齿轮信号分别展开分析,均能很好地分辨故障信号并将之准确提取。证明了该方法具有在低信噪比的复杂信号中具有故障成分识别和特征提取准确的能力,从而为后文的研究做铺垫。其次,通过SF-PTFA分析信号潜在的故障成分并加以凸显后,本文基于16个典型的诊断指标,利用主成分分析方法综合每个诊断指标的特点,得到一个较为客观的评价结果。通过实际试验台架轴承故障信号,充分验证了该方法的可行性。该监测诊断方法具有对复杂旋转设备故障敏感性强和对广大信号有较好适用性的优点。本文与传统方法作对比,诊断效果得到显著提升。最后,根据现代工业4.0发展的智能化要求,本文采用软件设计这个当今最有效的落地实现方式。本文基于上述的算法研究,通过KANO模型需求分析法,设计出了软件流程和界面功能模块,最终编辑完成了一款PC端应用软件。该软件最终通过实际信号测试,良好的演示结果证明了该软件的可靠性。该软件具有了上述研究方法的特点,在复杂的高噪声信号中具备较好检测能力,且软件操作十分简单易用,实现了旋转设备异常监测方法的落地应用。