近年来,随着科学技术的进步和生产的发展,高速、高效和大功率成为机电产品的一个重要发展方向。这就导致大型机械系统结构日趋复杂,其中包含各类非线性环节。如果仍然采用线性模型或线性系统的分析、设计、监测与故障诊断方法,就会“忽略”与系统特性紧密相关的非线性特性,从而导致难以接受的错误,造成分析、设计和运行监测与故障诊断的失败。鉴于动态特性(特别是非线性动态特性)的问题的复杂性和多样性,不可能有普遍适用的一般解决方法。因此,对特定问题,仍需研究各自的解决方案和技术。本文是面向复杂机械系统(包括复杂机电系统和机电液系统)的动态特性和故障诊断的研究。以实测振动数据为基础,研究非线性特性描述、统计学分析和人工智能辨识理论与方法。提出了复杂机械系统振动信号预处理和精确数字积分方法,并将其应用于非线性特征相空间描述中;提出了改善这类非线性系统神经网络辨识及建模精度的方法,以及基于人工智能模型的非线性特征提取与故障诊断方法。在此基础上,提出了对大型振动筛、钢带热轧机等复杂工程结构和系统的动态特性分析、建模及故障诊断的综合技术路线,解决了振动筛与热连轧机的动态特性分析与诊断等工程技术问题,取得了实际的经济效益。对于含有非线性环节的复杂机械系统,由于其构成和工作过程的复杂性,往往只能通过实测数据得到特定非线性特性的统计描述。作者在考虑噪声和干扰造成的信号失真与畸变,以及积分形成的进一步失真和漂移等情况下,提出基于小波变换的宽带滤波、FFT变换等的组合数字积分方法,实现实测的ICP加速度计信号一次、二次积分,得到较精确的振动速度和位移等信号。在此基础上,研究了实现工程非线性振动时域信号相空间描述和特征提取的合理方法。建立复杂的机械系统的精确解析模型相当困难,乃至难于实现。因此,作者研究了通过神经网络辨识建立这些系统的较精确模型的方法。根据模型拟合度、模型泛化能力和残差检验,选择了NNARX辨识模型。确定了神经网络模型的激活函数、隐层节点数及历史数据和延迟,最终得到适合于所研究系统的较高精度的神经网络辨识模型,为后续的非线性特征分析提供条件。复杂的机电或机电液系统的运行状态和规律极为复杂,许多情况下基于动力学方程(线性或非线性)的分析不能准确反映其运动特征。作者将数据采集、相空间重构和非线性系统辨识有机结合,使用前述的数据预处理和神经网络辨识方法,实现系统振动状态的相空间重构及特征提取;提出了基于神经网络辨识模型的三维谱分析方法,即在较精确的非线性系统神经网络模型上,设定各种特定的虚拟激励输入,通过仿真,得到输出响应数据,据此得到能反映系统特征的三维谱,从而得到系统在特定条件下的运行特性。此方法以高的可信度分析系统的动态特性,其结果可以直接或间接用于复杂系统的故障诊断。作为选煤厂关键设备的大型振动筛是包含许多非线性环节的大型振动机械,作者综合应用前述理论和实验研究成果,进行了大型振动筛的运行特性分析和裂纹的诊断,取得了满意的结果。作者在基于振动筛的实测数据的运行特征分析中发现,在一定条件下振动筛在垂直于侧板方向的振动是混沌运动,不同位置混沌性的强弱不同。使用辨识得到的较精确的系统模型,通过仿真输出信号,找到此系统通往混沌的路径。使用非线性指标和神经网络模型输出的三维谱,检测振动筛比例模型的裂纹,并分析了不同位置的振动信号特征值,为裂纹定位提供依据。热连轧精轧机组是复杂机电液系统,如果由于故障或设计不当,使电液伺服液压压下系统的稳定性降低,乃至使机架连同其它机械结构产生剧烈的振动,严重影响产品质量与设备运行安全。作者提出包括现场实测、振动谱分析与相空间分析、系统辨识、压下控制系统稳定性分析等的综合技术方法,解决了热连轧机的强烈振动问题。