转子系统是旋转机械最主要的组成部分,一旦发生故障,将带来巨大的经济损失。由于转子故障的振动信号大部分是非平稳信号,因此研究先进的非平稳信号处理方法,对于保证大型旋转机械设备的安全可靠运行有重要意义。　　 为了更进一步的研究转子系统的故障诊断技术,本文主要进行了如下工作:　　 (1)基于第二代小波变换的转子振动信号降噪。设计了一种自适应冗余第二代小波。冗余小波不进行下抽样运算,逼近信号和细节信号的长度与原信号长度相同,可以提供丰富的时域特征信息和精确的频率局部化信息;引入LMS自适应法则构造预测器和更新器,能自适应匹配信号局部特性,更理想地提取出信号的故障特征。最后用实际工程故障信号进行降噪分析,验证此方法的处理效果。　　 (2)基于分形理论的转子振动信号故障特征提取。采用G-P算法分别计算了故障信号和正常信号的关联维数,并采用自相关函数法确定延迟时间,同时对采集的试验数据进行分形表征计算研究。应用结果表明:不同工作状态下的关联维数有着明显不同,所以可以利用关联维数来量化故障特征,进行定量诊断转子系统的常见故障,包括转子不平衡、碰磨和不对中。　　 (3)基于神经网络的转子故障模式识别。针对BP神经网络的初始连接权值和阈值的选择对网络训练的影响很大这一特点,应用遗传算法对其优化,获取最优的网络连接权值,提高了分类的速度和精度。并用转子试验台获得正常、不平衡、不对中、碰磨四种信号类型进行分类测试,验证结论。