由于现代旋转机械向着大型化、重载化和高自动化发展，对其状态监测和故障诊断技术的要求也越来越高，对于许多常见故障的机理、特征以及现场诊断方法也需要进一步研究。轴心轨迹作为一类反映机械运行状态的重要信息，其识别方法也需要朝着多元化、综合化及智能化发展。具体体现在以下几方面。

1.轴心轨迹进动方向和稳定性的研究已有大量的文献针对轴心轨迹的形状识别进行了探讨与研究，但是尚缺乏在进动方向和稳定性方面的研究成果。轴心轨迹的进动方向分为正进动和反进动，进动方向与旋转方向相同时为正进动，相反则为反进动。传统的对进动方向的识别方法主要是通过轴心轨迹上的点到原点的连线与x 轴的夹角来判断，这种方法有很大的局限性，只能针对包含坐标原点的简单轴心轨迹进行分析，因此自动识别轴心轨迹进动方向的新方法有待进一步研究。

提出利用轴心轨迹采样点构成多边形，并根据多边形各顶点的凹凸性和多边形在各顶点处的旋转方向判断进动方向的新方法，已取得较好的识别效果。

轴心轨迹的稳定性研究主要是针对轴心轨迹的重复性来说明转子运行的稳定性，对其重复性的评价仅在直观定性阶段，因此，应找出定量化指标来分析其稳定性。分形理论的出现为轴心轨迹稳定性的定量化分析提供了一种可能。分形理论是提出一种自相似性体系，对于无规则、混乱复杂的体系，其局部和整体有着相似性，可以用分维数来表征这种自相似性。轴心轨迹的重复性越差，相应的分维数就越大，因此采用分维数可以较好地说明转子的稳定性。水电机组轴心轨迹图形的局部之间同样具有极大的相似性，分形理论亦可以很好的描述这种局部相似性，因此该理论在水电机组轴心轨迹形状的准确描述方面具有极大的实用性。

2.多种方法融合识别的研究由于现有轴心轨迹识别方法的局限性，近年来，将多种不同的识别技术结合起来是轴心轨迹识别方法研究的一个发展趋势。如将数学形态学与小波变换相结合形成形态小波，小波与神经网络结合形成小波神经网络，进一步引入模糊理论形成模糊小波神经网络等。

形态小波是一种非线性的小波框架，其建立在数学形态学的理论上，使传统的线性小波通过数学形态学算子实现其非线性的扩展。形态小波理论，既有数学形态学的形态特征，还兼有小波技术的多分辨率特性，这种算法只涉及到加、减、极大、极小运算，无须考虑转子振动信号的频谱特性，算法简单，且具有良好的抗噪和细节保留性能，执行高效，可以很好的应用到轴心轨迹识别中。小波神经网络则兼顾小波变换和神经网络的优点，可以避免传统神经网络等的盲目性，具有更好的学习能力，精度更高，结构简单，收敛更快。模糊小波神经网络将模糊隶属度结合到小波神经网络的输入层和输出层中，通过隶属度函数的选择，可以对输入与输出进行分类，传统的反相传播神经网络是根据输出最大值或输出值与规定阈值的比较进行分类，该方法提高了模糊边界数据处理能力，可以更有效的对轴心轨迹的图像边界模糊数据进行分类。这些新的识别方法充分利用了各种识别方法的优点，取长补短，可为轴心轨迹识别技术的自动化提供有力的保证，具有很好的应用前景。

3.信号分析技术的发展国内外已有研究机构推出了旋转机械现场信号采集与数据处理方面的相关产品，对于轴心轨迹信号的采集与处理也得到了实际的工程应用，但是由于现场实测的转子振动信号随时间有着不是十分规则的变化，有些可能是随机变化的，并且由于软件系统的适应性也有一定的局限性，现有的系统可能无法有效的对转子信号进行分析处理，以至无法提取相对应的运行状态和故障类型。传统的分析方法都是对采集到的转子振动信号进行频谱分析，全息谱分析作为一种新型的技术可以利用一般谱分析所忽略的相位信息，可以结合轴心轨迹相互垂直的两个信号，利用频谱分析的结果，很好对轴心轨迹进行分解，从而使得轴心轨迹的识别结果更加可靠。新型的复值过程高阶累计量谱的分析与传统的二阶统计量相比，在有效抑制噪声的同时，也可以保留信号的相位信息，可以同时实现对轴心轨迹的提纯和特征提取两种功能，在轴心轨迹识别中具有很好的应用前景。信号分析技术的发展不仅对于轴心轨迹的识别有着重要的应用价值，对于转子系统的故障机理研究也有着很好的现实意义。对轴心轨迹的两通道信号进行信号分析，捕捉故障信息，把由各种因素引起的故障机理进行建模分析，使得轴心轨迹的识别建立在故障机理研究的基础上，不仅能够更加准确的对已知的故障进行分类识别，还可以根据故障机理找出未知故障，使得轴心轨迹的识别更好的服务于旋转机械的状态监测与故障诊断。