旋转机械的结构和功能日趋复杂,对机械系统的安全性和稳定性要求也愈加严格,因此旋转机械故障诊断在过程监控领域成为了研究热点。旋转机械发生故障时会产生动态非平稳信号,时频分析技术可以有效得处理非平稳信号,将复杂的机械数据内在信息进行特征提取,相比于频谱分析采用平稳的正弦波分解信号更为先进。振动信号特征提取的质量决定了在线监测系统中诊断方法和预测方法的有效性,旋转机械早期故障信号较为微弱,容易受环境噪声以及其它结构件的干扰,因此故障特征难以进行提取。本文针对单通道信号振动数据不完整、不精确的局限性,基于全信息融合的全矢谱理论,研究时频分析技术在强背景噪声下微弱故障的特征提取,解决了非平稳多通道信号提取故障敏感特征量和数据融合问题。论文主要工作和研究成果如下:(1)研究了基于改进谐波小波和分形的故障诊断算法,采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数提取微弱故障特征。通过仿真实验验证了算法的有效性,在转子实验台上采集数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性较好,优于传统的关联维数算法以及谐波小波分形算法。(2)研究了全矢频带熵(FV-FBE)的故障诊断算法,采用短时傅里叶变换(STFT)计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明FV-FBE算法可以减少低频离散噪声成分以及全面提取微弱故障特征。(3)研究了全矢AR谱峭度的故障诊断算法,采用自回归模型(AR)进行轴承信号的预白化处理,保留信号的瞬态冲击和稳态噪声,采用改进谐波小波计算的谱峭度自适应设计带通滤波器,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明全矢AR谱峭度算法可以全面有效的提取轴承的微弱故障,优于传统的谱峭度算法。