机械装备是实现智能制造的关键要素。由于机械装备工作环境复杂、且不断受到各种环境作用力影响,其容易发生部件损伤、健康劣化等问题,导致机械装备轻则发生异常,使用寿命缩减,重则出现故障,给企业带来巨大的损失。随着机械装备的信息化和智能化发展,通过对机械装备监测数据进行分析,从中快速准确地提取有用特征,可以提前感知装备异常状态,预估剩余使用寿命（Remaining useful life,RUL）,实时判别故障类型。为了保障机械装备的安全可靠运行,本文系统研究数据驱动的机械装备健康监测关键技术,分别针对机械装备早期微弱异常感知、变工况下RUL预测和复合故障诊断等难题,开展深入的研究,提出相应的解决方法。主要研究内容与创新如下:（1）考虑到机械装备早期异常具有征兆不明显、特征微弱等特点,提出一种自适应核谱聚类（Adaptive kernel spectral clustering,AKSC）模型,并介绍基于AKSC的机械装备早期微弱异常感知方法。与传统异常感知方法相比,该方法可有效感知到机械装备的早期微弱异常;AKSC模型具有较强的自适应性,无需设定大量超参数;初始模型训练完成后,仍可利用后续的监测数据校准模型,实现模型参数自适应调整。最后,利用滚动轴承数据集验证所提出方法的有效性。（2）针对机械装备工况多变导致RUL难以有效预测的问题,提出一种多维度循环神经网络（Multi-dimensional recurrent neural network,MDRNN）模型,并介绍基于MDRNN的机械装备变工况RUL预测方法。与传统RUL预测方法相比,该方法可同时适用于单工况和变工况下的RUL预测;MDRNN不仅能对监测信号数据进行分析,还可同时对运行工况数据进行挖掘;MDRNN拥有平行的网络层结构,可实现从不同维度挖掘数据特征。最后,利用航空涡扇发动机数据集验证所提出方法在单工况和变工况下的预测性能。（3）针对机械装备部件相互关联,易发生复合故障的特点,提出一种局部二值卷积神经网络（Local binary convolution neural network,LBCNN）模型,并介绍基于LBCNN的机械装备复合故障诊断方法。与传统故障诊断方法相比,该方法不仅可实现单一故障的诊断,而且适用于复合故障的诊断;通过将局部二值卷积核替代传统卷积核,LBCNN模型拥有更快的训练效率;通过设计多标签分类策略对复合故障样本进行多标签标注,LBCNN模型可以有效地对复合故障样本进行特征捕捉和在线辨识。最后,分别利用轴承故障数据集和齿轮箱故障数据集验证提出方法在单一故障和复合故障场景的诊断性能。（4）开展拖拉机变速箱和汽车发动机的工程实例验证,进一步分析所提出的机械装备异常感知方法和故障诊断方法在工程领域应用的时效性与可用性。在拖拉机异常感知中,对四台拖拉机CVT变速箱均实现了异常的精准感知。在汽车发动机缸盖拧紧故障诊断中,根据发动机缸盖拧紧原理和过程,实施了拧紧过程故障分析与数据采集,并利用采集的数据构建了故障判别模型和故障类型识别模型。在验证数据上,平均故障判别精度和平均故障类型识别精度分别达到了98.07%和92.43%。