本论文在国家自然科学基金（52075236）、江西省自然科学基金重点项目（No.20212ACB202005）、装备预研重点实验室基金（6142003190210）和航空科学基金重点项目（201946030001）资助下,对基于层次链接无限隐Markov模型（the hierarchically linked infinite Hidden Markov Model,hi HMM）的旋转机械故障诊断方法进行了深入的研究,同时取得了较为满意的创新成果。具体的主要研究内容如下:第一章,论述了本课题的提出及其研究意义,从隐Markov模型的发展和隐Markov模型在机械故障诊断领域方向的研究现状为起始,拓展到层次链接无限隐Markov模型的提出及其应用现状。同时,也描述了本论文的主要内容和创新之处。第二章,论述了无限隐Markov模型在相关体系下多数据集建模的不足和其本身构造存在的问题,从传统的隐Markov模型拓展到无限隐Markov模型,再拓展到层次链接无限隐Markov模型上,阐明了hi HMM的构造。hi HMM将多个分裂的i HMMs集中起来,通过i HMM的参数耦合在一起并对相关领域下数据集进行建模,也明确了相邻数据集之间的自转移概率,避免了参数之间创建冗余问题。并分析了hi HMM在故障诊断领域具有先天的优势。第三章,根据层次链接无限隐Markov模型的优秀特征,将其应用到旋转机械滚动轴承和转子升速过程中,提出了基于层次链接无限隐Markov模型的故障识别方法。在提出的方法中,建立起层次链接无限隐Markov滚动轴承故障诊断模型与层次链接无限隐Markov转子升速过程故障诊断模型,将测试数据输入提取到故障信号特征的模型中进行识别,与使用无限隐Markov模型作为分类器的训练识别结果和隐Markov模型作为分类器的训练识别结果作对比。经实验结果表明,提出的hi HMM故障诊断方法明显优于HMM故障诊断方法和i HMM故障诊断方法,克服了HMM故障诊断方法和i HMM故障诊断方法存在的不足。第四章,深度剖析了特征提取、特征选择与识别模型的关系,提出了一种基于无限特征选取改进的层次链接无限隐Markov模型的故障诊断方法。在提出的方法中,对多尺度排列熵的参数进行优化以完成特征提取后,经无限特征算法对得到的特征量进行排序,筛选出相比较下包含有较大价值的信息量输入到层次链接无限隐Markov模型中训练识别。同时,与使用无限特征算法筛选特征后训练的无限隐Markov故障诊断模型和使用随机特征选择训练后的层次链接无限隐Markov故障诊断模型的训练识别结果进行对比。实验结果表明经无限特征算法选择改进后的方法能更有效提取更有价值的特征信息。第五章,机械关键部件的性能退化趋势预测是故障诊断中一个重要的研究方向,在此,将层次链接无限隐Markov模型引入到设备性能退化趋势预测中,提出了基于层次链接无限隐Markov模型的设备性能退化趋势预测方法,并应用到滚动轴承性能退化趋势预测中。提出的方法包括退化特征提取、预测模型建立、退化状态分类和剩余寿命评估四部分。利用振幅感知排列熵对振动信号敏感的特性,提取出整个滚动轴承自正常运行状态运转到发生退化再到损坏全过程的退化特征。将整个全过程退化数据输入到建立的层次链接无限隐Markov滚动轴承退化模型里训练学习,使用Viterbi算法反求出滚动轴承全寿命数据的隐状态集合,根据隐状态集合划定轴承运行不同的状态,从隐状态集合里计算剩余寿命和持续时间。实验结果充分验证了本章提出的预测评估方法的有效性。第六章,对本论文的研究工作内容进行了全面的论述与总结,并对进一步研究的工作内容进行了展望。