机械设备工作运行的可靠性和稳定性影响着制造工艺过程的效率,因此开展机械设备故障诊断研究将有助于维护机械设备的安全运行,保证最终的产品质量。而机械设备关键零部件的工作状态严重影响着机械设备性能的变化,进行机械设备关键零部件的故障分类或缺陷严重程度评估一直是机械设备故障诊断的研究重点。本文以信号处理、人工智能技术为理论基础,以机械设备关键零部件为对象,开展基于振动信号分析的旋转机械故障诊断方法研究,深入研究了单传感信息分析中的高维度特征快速处理与不确定性辨识问题,在此基础上,进一步分析了基于深度学习方法的多传感信息分析与压缩感知理论在在位(原位、现场、就地等)、远程远程机械故障诊断中的实现问题等。本文的主要工作如下:(1)为提取背景噪声环境中机械振动信号的故障特征信息,实现高维度特征信息的降维处理,提出一种基于低维分解特征的运行状态监督学习方法。一方面,利用变模态分解方法解决基函数选择、模式混叠和边缘效应消除、背景噪声消除等问题,另一方面,对各分解模态信号的香农功率谱熵特征进行主成分分析,以压缩特征维度并降低计算成本,从而实现运行状态的模式识别和高维度特征信息的快速处理。(2)为解决传感信号处理、特征提取和学习过程中存在的参数不确定性问题和模型不确定性问题,提出一种基于广义区间的运行状态不确定性辨识方法。首先利用基于广义区间的变模态分解方法对加速度传感信号进行处理,以获取故障特征相关的频域段信号,再根据多尺度排列墒计算值,建立广义隐马尔可夫模型,对故障类型和故障严重程度进行辨识,从而实现偶然不确定性和认知不确定性问题的量化分析,最终提高故障诊断的鲁棒性。(3)为克服多传感数据特征提取与融合过程对于先验、专业知识的依赖,并解决传统人工智能方法进行特征学习的不足,提出一种基于多传感信息融合与特征深度学习的状态辨识方法。首先利用多个加速度传感器采集单级齿轮箱的状态信息,然后对统计特征、香农能量谱特征进行特征级融合,经基于堆栈式自动编码器的深度学习方法处理和分析,最终有效地识别、分类驱动齿轮的不同裂纹深度。(4)为解决传统香农采样定律对监测系统进行海量传感信号处理、数据传输的约束,同时,避免数据压缩、解压缩过程引起的原始数据失真,提出一种基于压缩感知的运行状态监测与故障诊断方法。首先直接利用测量矩阵压缩原始机械振动信号,以简化信号处理和特征处理步骤,在此基础上,一方面,利用结构化分类矩阵对压缩数据进行状态分类,另一方面,利用压缩采样匹配跟踪方法对压缩数据进行还原,并结合基于单、多传感信息分析的故障诊断方法进行机械设备性能的全面评估。本文将为压缩感知理论在机械故障诊断中的实际应用提供参考和借鉴。