基于状态的维护(CBM，Condition Based Maintenance)是近年来新兴的一种设备维护策略，它的基本理念是在机械设备需要维护的时候才对其进行维护，强调维护要及时、准确和经济。采用这种维护策略，能够提高工业生产的安全性和可靠性，系统地降低企业运营成本。　　 机械设备状态预诊断是实现CBM的核心支撑技术，对其进行深入研究，对推动CBM的发展具有重要意义。但是，由于相关研究起步不久，目前预诊断技术还未能得到很好的实现，研究人员有必要不断地尝试各种新的有效方法来更好地解决这一问题，加快其实现方法与技术应用的成熟进程。基于此，本文从数据挖掘的角度，探索了机械设备预诊断新的解决方法和途径，深入研究和探讨了基于时间序列数据挖掘的旋转机械预诊断方法。本文的主要工作包括：　　 1.结合CBM的基本理念和应用实际的需求，对机械设备状态预诊断的基本内涵进行了系统分析。将状态评估、故障预测和剩余有效使用寿命预测三个预诊断基本功能进一步抽象，提出了包含特征提取、状态预测和模式匹配三个子问题的预诊断一般流程模式。在详细分析机械设备状态预诊断理论方法和应用技术研究现状的基础上，提出了预诊断技术研究的发展趋势及各子问题的研究侧重点。并对利用时间序列数据挖掘这一理论方法解决机械设备状态预诊断问题的可行性进行了分析。　　 2.针对具有波动频繁、噪声干扰严重等特点的原始振动量时间序列无法直接用于旋转机械性能状态分析的问题，结合全息诊断信息融合分析旋转机械振动全貌的思想，提出了全息状态矩阵的概念并给出定义，用类时间轴上的多维序列表征转子系统振动全貌，以实现振动量时间序列的高级表示，为后续预测与匹配分类工作提供良好的数据源，同时增强全息诊断的信息检索和知识自动获取的能力。　　 3.将旋转机械性能状态预测，归结为旋转机械设备维护应用背景下的一维数值型时间序列预测问题来进行深入研究。针对现有预测方法长期预测能力较弱，且自动化水平低的不足，提出了用于旋转机械性能状态预测的ARIMA动态间隔预测法。该方法以动态间隔获取时间序列样本建模并预测的策略，提高了ARIMA模型用于设备状态长期预测的准确性，并且能够实现建模与预测的自动化，满足CBM系统的实时性要求。　　 4.针对全息状态矩阵表示的旋转机械性能状态特征数据，提出了一种全息状态矩阵相似性匹配方法。结合旋转机械预诊断领域应用的特点定义了全息状态矩阵的相似性度量模型，基于全息状态矩阵近似距离三角不等式设计了剪枝搜索策略，并在此基础上设计了全息状态矩阵相似性高效准确匹配算法，不需要借助专家经验和人工识别确认，在一定阈值范围内能够实现高质量的旋转机械性能状态相似性匹配。　　 5.旋转机械基本振动量特征时间序列具有海量、超高维度、短期波动频繁和大量噪声等特征，与时间序列数据挖掘传统应用的金融商业领域数据不同，直接采用传统方法会存在搜索速度大幅度降低的问题。针对这一问题，提出了基于随机投影的时间序列相似性搜索方法。该方法利用近年来新兴的随机投影统计学降维法，将原始时间序列集映射到低维空间，并利用R*树进行索引，能够在保持高准确率的同时，实现旋转机械基本振动量特征时间序列相似性快速搜索。　　 6.针对现有机械设备性能状态分类方法不考虑误分类代价的问题，提出了一种代价敏感直推式旋转机械设备性能状态分类法。该方法将代价敏感分类和直推式学习的基本思想和理论相结合，采用一种代价敏感的直推式分类机制，实现了机械设备性能状态的代价敏感分类。该方法在保证较高分类准确率的基础上，明显地降低了误分类总代价。　　 7.基于CBM的基本理念，设计了旋转机械CBM系统的基本结构，并以本文理论方法的研究成果为核心，详细设计了各模块的基本功能和处理逻辑，采用VC＃.net与Matlab混合编程的方式开发了一个面向大型旋转机械的CBM系统原型，以验证本文机械设备预诊断方法研究成果的可操作性和实用性，为CBM系统应用技术研究做出了有益的探索。