热轧在线磨辊装置一般应用于热轧生产线精轧机架内,是对轧机内工作辊进行在线修磨的精密装备,其工作运行的可靠性是保障热轧生产线持续、稳定、高效工作的基础。但是,在线磨辊装置处于高温、电磁干扰、水蒸气覆盖、轧机机架振动干扰、工作空间狭小等恶劣环境中,这些因素造成在线磨辊装置工作状态难以直接观察,极易造成突发故障、工作质量不佳等不良效果,这些不良效果如果没有被及时阻止,会造成严重的产品质量问题。为解决以上问题,消除在线磨辊装置工作过程中的“不安定”因素,提出从实现在线磨辊工作状态信息可感知、可视化与可预测三个角度构建其智能监控系统,本文着力于智能监控系统构建的关键技术环节（工作状态信息感知与关键部件状态趋势预测及评估）开展相关工作研究。本文依托宝山钢铁股份有限公司中央研究院（技术中心）“热轧在线磨辊技术研究”科研项目,主要做了以下几个方面的工作:（1）本文在分析热轧在线磨辊装置工作原理、特点的基础上,总结了当前机械设备状态监测和故障预测的方式与方法,综述了国内外学者在信号特征提取及状态监测系统开发上所做的工作。重点对故障预测的方法进行了分类和介绍,总结归纳29种故障预测的工具方法并分别做了评价,结合故障预测技术发展趋势,拟定将多参数、多模型融合方法应用于在线磨辊关键部件剩余寿命预测及状态评估中。（2）多角度分析在线磨辊设备易发故障成因,构建在线磨辊智能监控系统的总体架构并确定了其数据采集方案,基于总体架构要求对智能监控系统所需硬件进行了选择。（3）为尽可能详尽把握监控系统采集的信号特征,分别提取采集信号的时域、频域以及小波包分解节点能量特征,针对采用单一指标特征降维的局限性,提出采用Pearson相关系数与MIC信息系数加权组合的方式对提取的多特征进行降维处理,最后,通过PRONOSTIA实验台数据,验证了该方法的有效性。（4）滚动轴承作为热轧在线磨辊设备磨头主轴部位的关键部件,其安全可靠运行直接影响设备工作状况的好坏。针对目前轴承剩余寿命预测中较多采用单劣化特征单模型的方法,其预测结果有限,提出采用多劣化特征指标、抗噪声能力更强的随机森林模型对轴承剩余寿命进行预测。本章应用第三章多特征提取与降维方法的基础上初步对轴承特征进行了筛选,依据轴承振动信号均方根值对轴承劣化状态进行了划分,并将研究对象进一步聚焦为缓变劣化轴承,针对同工况同型号轴承其劣化特征信号的差异,采用相对特征法,使其信号走势规约到相近的范围,利用S-G滤波法对初步筛选的劣化特征进行平滑处理,并对比同型号同工况轴承的初步筛选特征经上述处理后的一致情况,滤除掉了“紧密性”不强的劣化特征,最后,采用PRONOSTIA实验台滚动轴承全生命周期数据在单数据集下对随机森林中关键参数进行寻优,并以此参数为基础在多数据集下进一步对比了 SVR、Lasso和CART树回归的性能表现,结果表明随机森林在滚动轴承剩余寿命预测上有更好准确度。（5）在线磨辊磨头刀具的异常磨损直接影响产品的质量,对其有效的磨损状态评估是避免意外事故发生的重要手段。针对单模型算法的局限性,提出一种基于Stacking算法框架多模型双层融合方法,此模型将GBDT、SVM和KNN作为第一层学习器,将BP神经网络作为第二层学习器,最终组合预测给出最终评估结果。基于公开的刀具磨损数据集,采用门限滤波法和截断法对数据采集信号进行清洗,应用第三章提出的方法进行特征提取与降维工作,采用10次10折交叉验证法对数据进行划分,针对多模型融合方法模型参数众多,特将模型待优化参数离散化并采用网格搜索法进行寻优处理,最终,将本文融合模型与常用8种单模型算法和5种融合模型算法进行对比,综合表明本文融合模型精度更高,稳定性更强。