中文摘要：

准确及时识别诊断旋转机械设备运行过程中萌生和演变的故障，对旋转机械安全运行，避免重大事故发生具有重要的意义。然而故障特征提取是目前制约旋转机械故障诊断技术的主要瓶颈。本项目以旋转机械为研究对象，对故障特征提取方法进行基础科学研究。具体内容包括研究局部均值分解方法和盲源分离理论，并将二者相结合，提出一种基于局部均值分解的盲源分离方法，对混合观测信号进行局部均值分解，将时域中的一维混合观测信号映射到二维平稳时频表示，获得混合观测信号的时频分布，研究基于观测信号时频分布的盲源分离优化算法，实现源信号分离；将信息熵引入时频分析，给出局域时频熵的表示方法，建立基于源信号局域时频熵的故障特征提取方法，实现源信号故障特征提取；通过实验验证上述理论的有效性和可行性。本项目旨在建立一种新的旋转机械故障特征提取方法，对旋转机械故障诊断研究的发展具有重要科学意义，为旋转机械故障诊断技术奠定理论基础。

结论摘要：

本项目面向机械设备故障诊断技术重大工程需求，以旋转机械为研究对象，研究旋转机械故障特征提取方法。通过三年的研究工作，已完成项目计划内容。共发表科技论文14篇，其中SCI、EI收录9篇，授权发明专利1项，申请发明专利5项，联合培养博士研究生1名，培养硕士研究生10名。本项目完成的主要研究工作如下 (1)在传统的局部均值分解方法基础上，研究了局部均值分解端点效应抑制方法，有效抑制了局部均值分解方法的端点效应，进一步研究了基于微分的局部均值分解优化算法，通过在局部均值分解过程中增加微分和积分运算，有效抑制虚假干扰频率，提高了分解精度。 (2)研究了不同混合方式下的盲源分离模型和不同目标函数下的盲源分离算法，为了提高盲源分离算法分离精度，研究了一种基于峭度的变步长自适应盲源分离算法，根据信号的分离程度自适应的选取学习速率，达到不断地优化分离矩阵的目的。针对频域盲解卷积中存在的排序不确定性的问题，研究了一种基于互信息相关排序的频域盲分离算法，解决盲解卷积的排序不确定性问题。 (3)为解决机械故障诊断中广泛存在的相关源信号盲分离问题，研究了基于总体经验模态分解子带提取的相关机械源盲源分离方法，在相关振源信号的部分子带满足统计独立的前提下，通过总体经验模态分解获得子带观测信号，根据互信息标准与源信号数目，选择若干个独立性较强的子带观测信号重构观测信号，实现信号升维和盲源分离。 (4)为定量描述振动信号能量的时频分布情况，将信息熵引入时频分析领域，提出了局域时频熵的概念，研究了基于局部均值分解和局域时频熵的旋转机械故障特征提取方法，仿真和实验研究结果表明该方法能有效地应用于旋转机械故障特征提取。本项目研究成果为旋转机械故障特征提取与诊断提供了有力支撑，为旋转机械故障诊断奠定了理论基础。