现代工业文明的进步造就了工业设备逐步复杂化、精密化的趋势,随之引发的高维修成本、高检修难度等问题,推动着工业设备朝着易修复、高集成的方向前进。因此,通过采集设备运行期间的各种信息,经过分析处理,对其剩余使用寿命进行预测,实现故障前及时维修的预见性维护问题逐渐凸显。旋转机械作为人类工业文明发展史中举足轻重的一类器件,充斥在现代工业中的各类生产活动中,完成该类器件的故障前维护或更替,可以大大降低其所在设备的定检成本,杜绝突然性停产带来的损失。本文聚焦于旋转机械的预测性维护,以数据为基,将退化状态识别、退化特征提取、剩余寿命预测三个环节相结合,提出多工况预测剩余使用寿命的整合方法。主要工作如下:1.分析旋转机械,如航空发动机、轴承的运行原理,提出了基于小波变换的异常点检测方法,实现了退化点的检测。其主要目的是将设备运行时采集的信号进行分段,去掉对预测帮助较小的健康信息段,降低信息冗余度。其核心思想是检测特定信号在特定频段的突变量,以此判定时域上的退化点。2.针对数据采集过程中,采得信号带有噪声干扰的问题,提出对应的去噪、特征提取方法来实现有用信息的提取。具体的方法是使用完全经验模态分解和希尔伯特黄变换对原始数据特定频率的信息进行提取,获得具有小波动性与强单调性的特征数据。3.在预测领域,针对旋转机械所处工况复杂多变、运行数据采集难度大的实际情况,引入迁移支持向量机将不同工况的数据进行融合处理,解决特殊工况数据量较少的问题。提出基于遗传算法的参数寻优方法,自适应调整模型参数,提高预测精度。设置在线预测方法,根据预测步长调整模型。实验表明,结合上述三方面工作,可以有效识别系统的退化状态,从原始信号中提取特征信息,进而满足旋转机械在剩余寿命预测方面的实际需求。具备在线预测能力的同时,具有较高的预测精度。