本文的课题以国家自然科学基金资助项目:“旋转机械振动故障信息火用诊断方法研究”和横向课题:“旋转机械在线状态监测与故障诊断系统”为研究背景,以大型旋转机械轴系为研究对象,在分析国内外现有旋转机械振动诊断理论与技术的基础上,针对当前故障诊断中依靠随机抽取的状态信息来进行诊断的问题,提出了基于小波分时尺度矩特征的多状态融合诊断方法,研究随时间发展的多状态信息的融合故障诊断与预测问题,开发出一套可组态的旋转机械故障诊断系统,并将研究成果应用到该诊断系统中。首先根据论文研究的需要,设计了旋转机械转子多种典型故障模拟试验方案,对每种故障进行了多次试验,验证了试验的可重复性,为后文的研究准备了故障试验数据。第二、研究了故障特征提取的新方法。为了对多状态的大量故障波形信息进行融合处理,需要获得单条波形的有效的故障特征提取方法。为此,本文对小波灰度矩进行了深入研究,进一步提出了分时尺度矩和分尺度不变矩的定义。在此基础上,讨论了影响分时尺度矩故障区分能力的因素,对典型故障在典型起停过程(不同转速)下的振动信号的分时尺度矩和分尺度不变矩进行了计算,计算结果表明,分时尺度矩和分尺度不变矩可以更好地展现小波灰度图的特征信息,是进行故障识别的有效手段。第三、为了实现故障的在线智能诊断,本文利用灰关联分析方法和概率神经网络对旋转机械轴系的典型故障进行了融合诊断研究。本文提出了关联修正系数的概念,对传统的灰关联算法进行改进,取得了较好的诊断结果。此外,本文以分时尺度矩作为概率神经网络的输入,构建了用于诊断的PNN网络模型,取得了很好的诊断效果。本文指出,在缺少充足样本的情况下,先使用灰关联分析方法进行诊断,以累积故障样本。当积累了足够的样本后,再采用概率神经网络进行故障诊断,以提高诊断的准确率。第四、以分时尺度矩为特征征兆,研究了典型故障启停过程中分时尺度矩的分布规律,将基于启停过程的故障诊断转换成两条曲线相似程度和贴近程度的综合判断问题,提出了故障灰关联度的计算方法,并进行了验证。在此基础上,针对基于启停过程的故障诊断方法在应用上的不足,进一步提出基于多状态融合的故障诊断方法,给出了具体算法,并提出了故障相似度的定义,给出了计算公式。算例表明,通过故障相似度可以很好的区分故障类别。第五、更进一步的,为了能够考虑故障的动态发展,本文对旋转机械振动故障预测方法进行了初步研究,分析了传统预测参数的不足,提出了以分时尺度矩为预测故障参数的两种故障预测模型:分时尺度矩趋势预测模型和分时尺度矩波动预测模型。根据分时尺度矩的变化不仅能够判断是否发生了故障,而且能够判断故障的种类。典型故障实测数据的预测结果验证了基于分时尺度矩预测参数的灰色模型故障预测算法的有效性。最后、根据监测诊断系统的发展趋势,提出了故障诊断系统的总体构建,实现了旋转机械可组态在线监测诊断系统。将上述研究成果应用到该系统中,提高了系统的故障诊断准确率,减少人工干预,实现智能诊断,并可实现对不同的旋转机械设备的监测诊断。