非平稳信号广泛存在于自然界中,比如机械设备一旦出现故障时就会导致动态信号非平稳现象的出现。传统时频分析方法在不同的角度上对非平稳信号进行了分解,但是各自的缺陷却很难使其根据信号本身的特点实现自适应分解,而且很难达到分析所需要的精度。针对非平稳信号特点后来出现了经验模态分解方法,开辟了一条全新信号分析方法,通过筛分标准选取不同的尺度分量,然后配合希尔伯特变换提取信号中的时频信息。经验模态分解方法在使用过程中存在四大弊端问题,很多学者在这方面提出了各种各样的改进办法,但是仍然无法同时解决这四个弊端。比如EEMD方法的提出,解决了模态混叠效应但是却以牺牲计算时间为代价,得不偿失。机械设备的在线状态监测系统经过多年的发展,逐步走向专家化智能化。随着大型设备的结构、功能、工况、环境日趋复杂,对在线状态监测系统提出了全新的更高的要求。如何在更加复杂的信号环境中快速有效的挖掘出故障特征信息,是本文的一个研究重点。论文在传统EMD算法的基础上进行改进并且根据现有的二维快速自适应经验模态分解方法,提出了一种改进型的方法。因此,本论文主要研究内容有:第一,本文提出了改进型的一维快速自适应经验模态分解方法。首先,采用自适应窗口准则获取信号的峰峰值的统计特性;然后,采用顺序统计滤波器来获取信号的上下包络线;最后,提出自循环停止准则,给出信号分解停止的准则。这种算法的最大优点是避免了传统EMD算法的四大弊端,同时具备自适应分析能力。第二,将一维快速自适应经验模态分解方法应用到转子故障诊断、轴承故障诊断、减速箱故障诊断中,与传统EMD算法的分析结果对比,展示出了一维快速自适应经验模态分解方法的优越性能。同时将一维快速自适应经验模态分解方法和冲击脉冲法结合,提出了一套轴承故障诊断技术。最后,论文主要研究了在线状态监测系统基本情况,重点考虑旋转机械中的监测系统。通过分析冷轧机组和船舶轴系振动的特点,设计了两套在线状态监测系统。