为消除转子转速变化时各节点中倍频分布的随机性，提出一种应用谐波小波包技术提取转子故障特征参数方法．该方法首先依据尺度变换思想对原始振动信号进行重采样，然后应用谐波小波包技术将重采样信号分解到给定层上，最后提取各个节点的谐波小波包系数能量值作为故障诊断的特征参数．通过对油膜涡动实验数据的处理和分析，观察到不同转速下节点倍频分布与能量分布具有了统一的物理意义．转子故障诊断实验中，对转子不平衡、不对中、动静碰摩、油膜涡动故障的分类准确率达91．4％．表明应用该方法提取的特征参数，可以作为转子故障诊断的可靠依据．

通过对传统转子故障的特征描述加以修改,进行合理分类,使用改进的产生式规则和案例推理技术,在已有实现方法的基础上,采用C#构建了1个基于规则推理（RBR）和案例推理（CBR）的转子故障智能诊断系统,分别对该系统的推理进行仿真模拟和实验台故障数据的验证。实验说明该方法不仅提高了系统的故障诊断率,并且当故障征兆特征不足时,加以改进之后的k-近邻匹配算法的案例推理,使得该系统也能得到较好的推理结果,这对于使用混合推理机制的同类研究具有一定参考意义。

为了准确、有效地提取转子故障特征,提出了变分模态分解（VMD）和奇异值特征提取的方法,并采用模糊C均值聚类（FCM）进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明：该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。

针对目前常用的旋转机械转子故障诊断中直接对转子部件诊断安装传感器困难、通用性差等问题，利用转子-轴承-基座系统的振动传递性，提出了一种基于基座的多传感器信息融合故障诊断方法。采用相关函数法来确定基座上传感器的最佳布置方案，通过自适应的信号融合方法，克服基座上故障信号特征较弱，包含更多干扰信号的特点，对转子部件故障进行有效诊断。最后在综合故障试验台中进行试验验证，证明了该方法的可行性。

鉴于转子故障振动信号成分复杂,以及信号采集难免会存在一些干扰信号,为排除干扰信号以及非主要成分,提出了改进的经验小波变换信号处理。它对采集的信号进行经验小波变换,求取变换后各频带的相关系数,去除相关系数较小的频带,从而去除信号中非主要特征及干扰信号,获得只含主要特征的信号。通过具体实验,该方法有效地提高了信号的真实性。最终将其应用于机械转子故障中得到良好的效果。