下载文档原格式
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械广泛应用于各种工业领域，如风力发电、航空航天、交通运输等。
然而，由于长时间运行和复杂的工作环境，旋转机械经常会出现各种故障，如轴承磨损、齿轮断裂等。
这些故障不仅影响设备的正常运行，还可能导致严重的安全事故。
因此，对旋转机械进行故障诊断与预测显得尤为重要。
本文将介绍旋转机械故障诊断与预测的方法及其应用研究。
二、旋转机械故障诊断与预测方法1. 基于振动信号分析的方法振动信号分析是旋转机械故障诊断与预测的常用方法。
通过传感器采集设备的振动信号，对信号进行时域、频域和时频域分析，可以提取出设备运行状态的特征信息。
当特征信息超过设定的阈值时，即可判断设备存在故障。
此外，还可以通过对比历史数据，预测设备未来可能出现的故障。
2. 基于声音信号分析的方法声音信号分析是另一种有效的故障诊断与预测方法。
通过采集设备的声波信号，对信号进行频谱分析和声强分析，可以判断设备的运行状态和故障类型。
该方法具有非接触式、实时性强的优点，适用于对复杂工作环境下的设备进行故障诊断。
3. 基于数据驱动的智能诊断方法随着人工智能技术的发展，基于数据驱动的智能诊断方法在旋转机械故障诊断与预测中得到了广泛应用。
该方法通过收集设备的运行数据，利用机器学习、深度学习等算法对数据进行训练和建模，实现对设备运行状态的监测和故障预测。
该方法具有准确度高、适应性强、可扩展性强的优点。
三、旋转机械故障诊断与预测方法的应用研究1. 在风力发电领域的应用风力发电是旋转机械的重要应用领域之一。
通过采用振动信号分析和声音信号分析等方法，可以对风力发电机组的齿轮箱、轴承等关键部件进行实时监测和故障诊断。
同时，采用基于数据驱动的智能诊断方法，可以实现对风力发电机组运行状态的预测和优化，提高设备的可靠性和效率。
2. 在航空航天领域的应用航空航天领域对设备的可靠性和安全性要求极高。
采用基于振动信号分析和声音信号分析等方法，可以对航空发动机、螺旋桨等旋转机械进行实时监测和故障诊断。
旋转机械故障诊断技术的研究与应用旋转机械是指在运转过程中部分或全部的部件都会作旋转运动的机械。
因其广泛应用于各种重要设备中，如汽车、火车、飞机、电站发电机组、造船、机床等领域，因此旋转机械的故障诊断技术一直是工业领域研究的重点之一。
本文将介绍旋转机械故障诊断技术的研究和应用。
一、背景旋转机械是在运转过程中部分或全部的部件都会作旋转运动的机械。
如汽车的发动机、齿轮机构、橡胶轮胎等；火车的机车、机械部件、制动器等；飞机的发动机、减速器等；发电机组的转子、转子轴承、电机配件等；机床的主轴、轴承等。
这些机械的失效会对安全生产带来巨大的威胁，因此旋转机械故障诊断技术具有重要的意义。
二、研究内容旋转机械故障诊断技术包括机械故障的检测、诊断和预测。
其中检测是指对旋转机械工作状态进行监测和记录，通过标准化数据部件，对旋转机械性能参数进行实时跟踪和分析。
诊断是指在检测的基础上，根据检测数据和故障特征，确定故障原因和位置。
预测是指通过对旋转机械的工作状态进行长期、连续的监测，预测故障的发生和发展趋势，对未来的维护进行有效的规划和安排。
1. 诊断方法旋转机械故障诊断技术主要分为两大类，一类是基于信号处理和模式识别算法的故障诊断技术，另一类是基于震动谱分析和失效模式分析的故障诊断技术。
基于信号处理和模式识别算法的故障诊断技术主要是通过对旋转机械的感应信号进行分析和处理，对故障进行判别和诊断。
常见的信号处理方法包括小波分析、快速傅里叶变换等，常见的模式识别算法有神经网络、支持向量机、决策树等。
基于震动谱分析和失效模式分析的故障诊断技术主要是通过对旋转机械产生的振动信号进行分析和处理，对故障进行判别和诊断。
该方法具有可靠性高、适用范围广的优点，常用的分析工具有FFT分析、包络分析等。
2. 应用前景旋转机械故障诊断技术在工业领域的应用前景非常广阔，可以用于石油、化工、电力、机械等领域。
在能源领域，旋转机械故障诊断技术可以用于汽轮机、风电、锅炉等设备的维护和监测。
最新整理旋转机械故障相关诊断技术
一、旋转机械故障的灰色诊断技术
灰色诊断技术就是在故障诊断中应用灰色系统理论，利用信息间存在的关系，充分发挥采集到的振动信息的作用，充分挖掘振动信息的内涵，通过灰色方法加工、分析、处理，使少量的振动信息得到充分的增值和利用，使潜在的故障原因显化。
二、旋转机械故障的模糊诊断技术
模糊诊断技术就是在故障诊断中引入模糊数学方法，将各类故障和征兆视为两类不同的模糊集合，同时用一个模糊关系矩阵来描述二者之间的关系，进而在模糊的环境中对设备故障的原因、部位和程度进行正确、有效地推理、判断。
三、旋转机械故障的神经wang络诊断技术
所谓的神经wang络就是模仿人类大脑中的神经元与连结方式，以构成能进行算术和逻辑运算的信息处理系统。
神经wang络模型许多类似于神经元的非线性计算单元所组成，这些单元以一种类似于生物神经wang络的连结方式彼此相连，以完成所要求的算法。
在旋转机械故障的诊断中，引入神经wang络技术，以类似于人脑加工信息的方法对收集到的故障信息进行处理，从而对故障的原因、部位和程度进行正确的判断。
旋转机械的振动信号分析及故障诊断方法研究随着工业技术的不断发展，旋转机械在各个领域中发挥着越来越重要的作用。
旋转机械在运行时会产生各种各样的振动，而振动信号的分析和故障诊断对机械的安全运行和有效维护都起着至关重要的作用。
本文将探讨旋转机械的振动信号分析及故障诊断方法研究。
一、振动信号的数据采集在进行振动信号的分析和故障诊断之前，首先需要进行数据采集。
通常采用振动传感器进行数据采集。
振动传感器可以测量振动的振幅、频率等参数。
为了获得更加准确的数据，通常需要进行多个位置的振动信号采集，这样可以更加全面地了解振动情况。
二、振动信号的分析方法1.频谱分析法频谱分析法是振动信号分析中最常用的方法之一。
它是将信号在频谱上分解成不同频率的组成部分，从而了解不同频率在振动中所占的比例和重要性。
通过频谱分析法，可以找出导致振动的主要频率，从而更加准确地判断故障原因。
2.时域分析法时域分析法是另一种常见的振动信号分析方法。
它是将信号在时间轴上进行分析，了解信号的波形和振动幅值。
通过时域分析法可以观察到信号的整体趋势，同时也可以观察到信号中的瞬时事件，对于一些短暂的故障往往可以通过时域分析法来判断出来。
3.功率谱密度法功率谱密度法是将信号在频谱上进行分析，并计算每个频率下的能量，从而了解信号在不同频率下的能量分布。
通过功率谱密度法，可以发现振动信号中的周期性成分，比如叶轮、齿轮等周期性振动成分。
三、故障诊断方法1.需要比较振动信号在进行故障诊断时，通常需要先与正常的振动信号进行比较，对比两者的相似之处和差异之处，从而判断机械是否出现故障。
2.需要进行特点分析机械故障的振动信号通常会具有一些特定的特点，比如特定频率下的明显能量峰值、周期性振动等，需要通过对信号的特点进行分析，从而得出故障原因。
3.需要进行多因素综合分析机械振动信号的故障往往是由多个因素综合作用造成的，因此进行故障诊断时需要考虑到各种因素，比如机械的运行状态、环境温度、操作方式等，从而更加准确地进行故障诊断。
旋转机械故障诊断中的信号处理技术总结第一篇：旋转机械故障诊断中的信号处理技术总结旋转机械故障诊断中的信号处理技术综述摘要: 基于旋转机械在各行业的广泛应用，旋转机械的故障诊断技术也倍受重视，从传统的信号处理方法到现代的信号处理方法，旋转机械故障诊断中的信号处理技术在不断发展，不断创新。
本文综述了旋转机械故障诊断的传统信号处理方法和现代信号处理方法，分析传统信号处理方法和现代信号处理方法的实际应用，并展望了未来旋转机械故障诊断领域的研究方向。
关键词: 旋转机械; 故障诊断; 信号处理技术1、旋转机械故障诊断的意义随着机械设备向着高速、重载、精密方向发展，对机械传动设备的要求越来越高。
不仅要求机械传动设备能够传递较大的功率和载荷，而且传动系统本身必须具备较好的可靠性，从而降低设备的运营成本并提高设备运营过程中的安全性。
在故障诊断的发展过程中，人们发现最重要、最关键而且也最困难的问题就是故障特征信息提取，其必须借助于信息处理，特别是现代信号处理的理论方法和技术手段，探索故障特征信息提取的途径，发展新的故障诊断理论和技术。
2、旋转机械故障诊断的传统信号处理方法以傅里叶变换为核心的经典信号处理方法在旋转机械故障诊断中发挥了巨大的作用，这些方法包括频谱分析、阶比谱分析、相关分析、细化谱分析、时间序列分析、倒频谱分析、包络分析和全息谱等。
在基于FT 的信号分析方法中，平稳的随机信号常用其二阶统计量来表征: 时域用相关函数，频域用功率谱。
功率谱实质上是一种频域的能量密度分布，因此可以把它视为频域分布，相关函数和功率谱之间也以FT作为联系的桥梁。
然而，基于FT的频谱分析技术是建立在信号是平稳性的假设上的，因此具有较大的缺点: 如被分析的系统必须是线性的，信号必须是严格周期或者平稳的，否则，谱分析结果将缺乏物理意义，分析的结果只有频域信息，丧失了时域特征。
而大多数旋转机械故障振动信号是非平稳和非线性信号，对这些非平稳信号，由于傅里叶变换的本质缺陷，使得提取的故障特征有缺陷，影响了故障诊断的准确性。
旋转机械故障相关诊断技术摘要：旋转机械故障诊断技术在现代工业中扮演着重要的角色，能够帮助工程师及时发现故障，减少生产停机时间，提高设备的可靠性和性能。
本文将介绍一些常见的旋转机械故障诊断技术，包括振动分析、红外热像仪、声波分析、油液分析和电机电流分析等。
这些技术可以用来检测旋转机械的各种故障，包括轮毂偏心、轴承故障、轴传动故障等，并且可以提供及时的故障定位和诊断。
关键词：旋转机械、故障诊断、振动分析、红外热像仪、声波分析、油液分析、电机电流分析一、引言旋转机械在许多行业中广泛应用，包括电力、石化、矿山等。
故障的发生会导致设备停机，给企业带来巨大的经济损失。
因此，旋转机械的故障诊断技术对于保证设备安全稳定运行具有重要意义。
二、振动分析振动分析是一种常用的旋转机械故障诊断技术。
通过安装振动传感器，采集旋转机械的振动信号，然后通过信号处理和分析，可以检测出旋转机械的各种故障，如轮毂偏心、轴承故障、轴传动故障等。
振动分析主要通过分析振动频谱和振动图形来判断故障类型和严重程度。
三、红外热像仪红外热像仪是一种可以检测旋转机械工作状态的先进技术。
它使用红外线摄像头获取旋转机械的红外热图像，通过分析热图像的表面温度分布，可以发现旋转机械的异常情况，如轴承温升、轮毂过热等。
红外热像仪可以在设备正常运行时进行在线监测，大大提高了故障诊断的效率。
四、声波分析声波分析是一种通过分析旋转机械发出的声波信号，来判断故障类型和严重程度的技术。
通过布置合适的声音传感器，可以采集旋转机械的声波信号，在分析和处理声波信号的过程中，可以发现旋转机械的故障源，如齿轮磨损、轴承故障等。
声波分析的优点是适用于高速旋转机械，可以在线监测机械的故障。
五、油液分析油液分析是一种通过检测旋转机械的油液中的污染物、金属磨粒等物质，来判断机械的故障情况的技术。
油液分析可以通过采集机械的油液样品，进行化学分析和物理性质测试，从而判断机械的故障类型、故障源和故障严重程度。
旋转机械故障诊断中的信号处理技术综述近年来，旋转机械被广泛应用于生产制造，其可靠性和经济性是决定其成败的重要因素。
由于旋转机械设备的故障频繁，因此故障诊断技术成为关键的技术。
旋转机械诊断需要捕获机械结构振动信号，发现故障信号，然后确定故障的性质并采取有效的补救措施。
信号处理是旋转机械故障诊断的关键技术，可以有效地提取载荷和环境噪声之间的相关信号并建立有效的诊断信号模型。
因此，以下将综述旋转机械故障诊断中的信号处理技术。
首先，介绍旋转机械故障诊断中的基本概念。
旋转机械故障诊断的基本原理是采集、处理和分析机械振动信号，以检测和排除故障。
通常采用模拟传感器或数字传感器来采集振动信号，其输出可以经过滤波、快速傅里叶变换（FFT）和其他信号处理技术处理，从而可以更好地提取振动信号的有用信息。
其次，介绍旋转机械故障诊断中常用的信号处理技术。
信号处理技术是一种技术，可以提取有用的信息，并且很容易进行故障诊断。
其中常用的信号处理技术有功率谱分析、小波变换、时域特征量分析和模式识别等等。
其中功率谱分析法将振动信号转换成功率谱，可以识别出振动信号的强度，用于识别机械故障。
小波变换可以分析振动信号的频率特性，可以很好地提取振动信号的相关信息。
时域特征量分析是分析一般时域信号特征的技术，可以用来识别振动信号的基本性质。
模式识别是分析机械故障的重要技术，可以应用于故障类型的识别和故障源的定位。
此外，还介绍了故障诊断中的自适应信号处理技术。
自适应信号处理是一种技术，它可以通过不断学习来提高系统性能，使模型根据实际情况进行变化。
它可以有效处理复杂和模糊的旋转机械故障信号，有效减少噪声的影响，提高故障诊断的准确性。
最后，本文结论如下。
旋转机械故障诊断中信号处理技术可以有效提取载荷和环境噪声之间的相关信号，以及从复杂和模糊的旋转机械故障信号中提取有用信息。
自适应信号处理技术是一种重要的技术，可以有效减少噪声并提高故障诊断的准确性。
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备，其稳定运行对生产效率和产品质量具有重大影响。
然而，由于操作环境复杂、维护不当或设备老化等因素，旋转机械常会出现各种故障。
这些故障如不及时发现和处理，可能会对生产造成巨大损失。
因此，对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法，以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法（一）基于信号处理的诊断与预测方法1. 信号采集：通过传感器技术，实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理：利用信号处理技术，如频谱分析、小波变换等，对采集的信号进行预处理和特征提取。
3. 故障诊断与预测：根据处理后的信号特征，结合专家系统或模式识别技术，实现故障的诊断与预测。
（二）基于机器学习的诊断与预测方法1. 数据预处理：对历史故障数据进行清洗、标注和整理，构建故障数据集。
2. 模型训练：采用机器学习算法，如支持向量机、神经网络等，对故障数据集进行训练，建立故障诊断与预测模型。
3. 模型应用：将训练好的模型应用于实际场景中，实现旋转机械的故障诊断与预测。
（三）基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式，可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中，深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究（一）在设备维护中的应用通过实时监测和诊断旋转机械的故障，可以及时发现潜在的问题并采取相应的维护措施，从而避免设备停机或损坏。
这不仅可以提高设备的运行效率，还可以延长设备的使用寿命。
（二）在生产管理中的应用通过对旋转机械的故障进行预测和预警，可以提前制定生产计划和调整生产安排，避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
旋转机械故障诊断中的信号处理技术综述
摘要:基于旋转机械在各行业的广泛应用，旋转机械的故障诊断技术也倍受重视，从传统的信号处理方法到现代的信号处理方法，旋转机械故障诊断中的信号处理技术在不断发展，不断创新。
本文综述了旋转机械故障诊断的传统信号处理方法和现代信号处理方法，分析传统信号处理方法和现代信号处理方法的实际应用，并展望了未来旋转机械故障诊断领域的研究方向。
关键词:旋转机械; 故障诊断; 信号处理技术
1、旋转机械故障诊断的意义
随着机械设备向着高速、重载、精密方向发展，对机械传动设备的要求越来越高。
不仅要求机械传动设备能够传递较大的功率和载荷，而且传动系统本身必须具备较好的可靠性，从而降低设备的运营成本并提高设备运营过程中的安全性。
在故障诊断的发展过程中，人们发现最重要、最关键而且也最困难的问题就是故障特征信息提取，其必须借助于信息处理，特别是现代信号处理的理论方法和技术手段，探索故障特征信息提取的途径，发展新的故障诊断理论和技术。
2、旋转机械故障诊断的传统信号处理方法
以傅里叶变换为核心的经典信号处理方法在旋转机械故障诊断中发挥了巨
大的作用，这些方法包括频谱分析、阶比谱分析、相关分析、细化谱分析、时间序列分析、倒频谱分析、包络分析和全息谱等。
在基于FT 的信号分析方法中，平稳的随机信号常用其二阶统计量来表征: 时域用相关函数，频域用功率谱。
功率谱实质上是一种频域的能量密度分布，因此可以把它视为频域分布，相关函数和功率谱之间也以FT作为联系的桥梁。
然而，基于FT的频谱分析技术是建立在信号是平稳性的假设上的，因此具有较大的缺点: 如被分析的系统必须是线性的，信号必须是严格周期或者平稳的，否则，谱分析结果将缺乏物理意义，分析的结果只有频域信息，丧失了时域特征。
而大多数旋转机械故障振动信号是非平稳和非线性信号，对这些非平稳信号，由于傅里叶变换的本质缺陷，使得提取的故障特征有缺陷，影响了故障诊断的准确性。
3 旋转机械故障诊断的现代信号处理方法
3. 1 高阶谱分析技术
功率谱分析的一个最大缺陷是它不包含频率成分间的相位信息，通常也无法处理非平稳和非高斯信号。
而实际的振动信号大多是非平稳和非高斯信号，尤其在旋转机械系统发生故障时更是如此。
其中一种非高斯性是各频率成分间的相互关联作用，产生和频与差频成分，称为信号的非线性，对应的相位关系称为二次相位耦合。
对于这种非线性现象，功率谱是无能为力的。
高阶谱是分析非高斯信号的主要数学工具，已被运用到旋转机械故障诊断中，其出发点和动机主要有:
(1) 高斯信号的高阶统计量等于零，当非高斯信号淹没在高斯白噪声中时，利用高阶统计量可以大大降低噪声的干扰。
一般而言，旋转机械振动信号中的噪声可以近似地当作高斯噪声处理，因此采用高阶谱分析振动信号更容易提取故障信息;
(2) 从更高阶概率结构表征随机信号，弥补了二阶统计量( 功率谱) 不包含相位信息的缺陷，能定量地描述非线性相位耦合。
对高阶谱的研究比较多，已经形成了成熟的理论。
目前高阶谱已被成功地运用到滚动轴承、齿轮和转子系统的故障诊断中。
3. 2 ARMA 模型的现代谱分析技术
对旋转机械故障振动信号进行频域分析，通常是采用基于傅里叶分析的经典功率谱分析方法。
不同于傅里叶分析的新的谱分析方法称为“现代谱分析”。
其中ARMA时序模型是应用较广的一种现代谱分析方法，它利用信号的信息对被窗函数截取的有限信号以外的信息进行预测或外推，提高了谱分析的分辨率和真实度。
特别是其中的AR模型能够较好地描述信号频谱中的谱峰，得到的频谱比傅里叶频谱更平滑，具有良好的频率分辨力，从而获得了广泛的应用。
在国外，这方面的研究工作一直在开展。
早在1983年，Gersch采用AR模型和近邻法相结合对旋转机械故障进行分类，而国内也开展了这方面的研究工作。
3. 3 几何分形技术
目前在旋转机械故障诊断领域中，最成熟的方法是基于线性理论的时域和频域方法，随着现代科学技术的发展，机械设备越来越复杂化，基于线性理论的故障诊断方法的缺点和局限性也越来越突出，与非线性原理和方法相融合将是旋转
机械故障诊断技术的一个重要发展方向，因此，基于现代非线性理论的故障诊断方法研究十分活跃。
分形理论是非线性科学的一个重要方面，特别适合研究各种“复杂现象”，把它应用于机械故障诊断领域是近年来国际学术界的新动向。
当旋转机械发生油膜涡动、转子裂纹、转子与定子碰摩、基座松动等故障时，往往会产生混沌现象，采用几何分形方法对振动信号分析可以有效地提取各种故障特征，其中关联维数应用得最为广泛。
3. 4 时频分析技术
旋转机械振动信号绝大多数是非平稳、非线性的，这些非平稳和非线性的振动信号包含了丰富的故障信息。
对于这些非平稳和非线性的振动信号，时频分析方法是一种有效的分析方法。
在目前常用的旋转机械故障诊断方法中，由于时频分析方法能有效地分析非平稳信号因而在旋转机械故障诊断中的应用最为广泛。
时频分析法将时域和频域组合成一体，这就兼顾到非平稳信号的要求。
它的主要特点在于时间和频率的局部化，通过时间轴和频率轴两个坐标组成的相平面，可以得到整体信号在局部时域内的频率组成，或者看出整体信号各个频带在局部时间上的分布和排列情况。
时频分析在语音处理、地震资料分析、信号检测和数据压缩等多个领域得到了广泛应用。
对于旋转机械而言，当其发生故障时的振动信号，大量是非平稳、非线性的信号，因此，时频分析方法是进行旋转机械故障特征提取的一个重要的方法和特征提取工具，并广泛应用于旋转机械故障诊断中。
信号的时频分析分为线性和二次型两种。
典型的线性时频表示有: 短时Fourier变换、小波变换和Gabor变换等。
在很多实际场合，还要求二次型的时频表示能够描述该信号的能量密度分布。
这样一种更加严格意义下的时频表示称为信号的时频分布。
而基于经验模态分解( Empirical Mode Decomposition，EMD)的时频分析方法，是一种优秀的时频信号分析方法，尤其适合于非线性、非稳态的信号序列处理。
3. 5 盲信号处理技术
盲信号分离是指根据观测到的混合数据确定一个变换，从而恢复原始信号或者信号源，其中术语“盲”有两重含义:
(1) 源信号不能观测;
(2) 源信号与噪声如何混合是未知的。
由于噪声信号的存在，实际观测到的信号是故障信号和噪声的混合数据，因此近几年盲信号分离技术在齿轮的故障诊断中得到了应用。
盲信号处理技术领域也有很多值得进一步研究的课题，例如当ICA和独立因子分析( Independent Component Analysis，ICA) 用于盲信号分离( Blind Signal Separation，BSS) 时，如何解决源信号的概率密度函数( Probability Density Function，PDF) 的学习的问题; 如何有效解决盲解卷( Blind Deconvolution)问题; 当叠加噪声为非高斯的或脉冲噪声时，如何准确估计源信号的个数的问题; 在非平稳情况下如何提高跟踪能力和如何提高解的鲁棒性等等。
4 总结和展望
以上对信号处理技术的一些方法及其在旋转机械故障诊断中的应用进行了综述。
不仅研究了传统的旋转机械故障特征提取技术中的信号的幅域分析、信号的时域分析以及以傅里叶变换(FT)为核心的经典信号处理分析方法，而且研究了旋转机械故障特征提取应用中的高阶谱分析技术、ARMA模型的现代谱分析技术、几何分形技术、时频分析技术、盲信号处理技术等几种方法的基本理论和算法以及它们在旋转机械故障特征提取中的实际运用。
虽然这些方法应用到旋转机械故障诊断的领域中，取得了一定的研究成效。
但由于这些理论和方法还在不断地发展，算法也在不断地改进中，因此目前还处于一个初级的过程，为了能更好地为旋转机械故障诊断服务，今后还需要将对这些理论和算法作进一步的研究。
如何把其他的和新的信号处理方法引入到旋转机械故障诊断领域中去，是今后需要大力研究的方向。
由于大型旋转机械的组成、结构和运行状态等诸多方面的复杂性，从而使旋转机械表现出来的故障行为也极其复杂，因此，如何更好地综合运用这些方法，也是今后研究的重点。
