近年来,随着科学技术的高速发展,机械设备逐渐向自动化,大型化,精密化方向发展。机械设备的稳定高效运行对提高生产效率,节约生产成本等具有重要意义。因此,对机械异常进行检测是十分必要的,这使得机械运行过程中的异常现象能够及时地被发现,从而尽快采取合理有效的措施,避免重大财产和人身损失。本研究针对机械异常检测这一核心问题,利用机械运行过程中采集到的振动信号,提出了一种自相似振动信号特征提取方法,并探究其在实际机械设备异常检测中的可行性和有效性。通常来说,机械异常检测过程包括三部分:(1)信号采集;(2)特征提取和(3)异常决策。其中特征提取是最重要和最核心的一步,其决定着异常检测方法的有效性。本研究提出了一种有效的自相似振动信号特征提取方法,这种方法在利用词袋模型对机械振动信号进行自相似特征提取的过程中,充分考虑了机械振动信号的结构信息和时序信息。词袋模型的构建是自相似特征提取方法的第一步。本文通过K均值聚类方法,对训练样本进行聚类,并将聚类中心和聚类方差记作编码字,从而构建词袋模型。对于采集到的振动信号,根据训练阶段构建的词袋模型,三种策略(直方图策略,嵌入法策略和相关图策略)被用于特征组装,从而提取到反映机械状态的自相似特征。通过采用三种策略对机械振动信号进行自相似特征组装,能够及时获取机械振动信号的结构信息,对机械状态进行描述。但是,通过这种方法提取到的自相似特征仅能对机械运行状态进行定性描述,不便于后续机械状态分析处理。为了解决这个问题,本文对提取的自相似特征计算熵值,将定性的自相似特征转化为定量的特征。进一步地,采用统计分析的方法对熵值进行异常度计算,获得表征状态正常与否的量化指标。最终,采用基于3σ的假设检验判断机械是否工作在正常状态。综上所述,本文提出了一种有效的时域自相似振动信号特征提取方法。为了探究本文所提方法在机械异常检测中的的有效性,我们首先将所提方法用于仿真信号,仿真实验结果证明所提方法具有较好的异常检测效果。进一步地,将所提方法用于两个真实工程场景,并与现有的一些典型方法进行比较,其中真实场景数据库分别为实验室的实验装置采集获得的振动数据库和公开的西储大学实验数据库。最终,实验结果表明本文所提机械异常检测方法能够及时有效的检测到机械运行过程中的异常现象,并且其异常检测效果优于一些现有的典型特征提取方法。最后,对本研究的主要内容进行了概况总结,并对后续的工作展望进行了讨论。