大型低速重载回转支承作为一种新型零部件,广泛应用于起重运输机械、建筑工程机械、材料加工机械等领域重大装备中。大型回转支承运行转速极低、旋转方向与角度多变、承载能力高、工作环境复杂,为保证正常生产作业顺利进行、维护人机安全和减少财产损失,对其进行实时状态监测与故障诊断研究非常必要。论文对当今国内外回转支承状态监测与故障诊断方法进行了详细、系统的综述。全面分析和总结了回转支承的应用背景和研究意义,列举和比较了目前所有关于回转支承状态监测与故障诊断方法的研究思路、研究成果、优缺点和应用价值。其次对当今国内外常用的滚动轴承振动信号降噪、故障特征提取、参数选择与模式识别方法进行总结和研究。特征提取的难点和关键在于从强背景噪声中提取微弱故障信息。时域信号分解与重构是一类有效的信号降噪方法,旨在提高信号信噪比,保留原信号特征。特征参数构成的特征向量可以作为时域信号代表,用于机器学习与分类。文章对现场振动信号进行采集与筛选、对其它物理与化学参数检测等内容进行介绍。不同于模拟实验台单一人为故障研究,本课题研究对象为复杂设备复合自然故障,实验方案设计、传感器选择与安装、测试系统搭建等更加复杂。对此开展了大量数据采集工作,为数据分析与后续研究提供宝贵资源。第一种方法研究基于模拟分析以及试验验证,本文首先采用改进分段聚集近似法-相邻相关特征图方法对回转支承运行阶段进行特征提取,将三维椭球面拟合图形状、方向和参数信息作为特征对回转支承不同故障阶段进行有效划分,实现对回转支承复合故障严重程度的定性判断。第二种方法研究基于数据驱动思想,从信号降噪——特征提取——模式识别相结合的角度提出了最大相关去卷积-互补聚类经验模态分解-近似熵方法,用于回转支承复合故障特征提取与模式识别。基于相空间参数特征将回转支承三种不同运行阶段信息进行了有效识别和分类,获得高准确度。为突出方法优越性,进行了一系列对比试验研究,包括降噪方法对比、特征量选择对比等。