智能诊断技术是机械故障诊断领域的发展趋势。隐马尔科夫模型作为智能诊断技术的一种，具有极强的对动态过程时间序列的建模能力和时序模式分类能力。隐马尔科夫模型的这些特点使得它在故障诊断领域具有很好的应用前景，尤其是在系统复杂、机械设备众多、可靠性要求高的故障诊断中。它不仅可以用于稳态功率运行过程中机械设备异常状态的识别，而且对于旋转机械升降速过程信号的建模和识别具有很强的针对性。目前采用隐马尔科夫模型对简单设备进行故障诊断已经可以取得非常好的识别结果。但是当条件复杂、故障种类多时，隐马尔科夫模型的分类性能往往会出现较大的降低。本文在“十一五”国防基础科研项目(项目编号：B0120060585)：“基于隐马尔可夫模型－人工免疫系统的核动力系统故障诊断技术研究”以及国家高技术研究发展计划“863计划”项目(项目编号：2008AA04Z407)：“基于隐马尔可夫—支持向量机的核电装备状态监测与故障诊断技术研究”开展研究工作。本文研究的目的是通过核动力故障模拟装置的实验验证研究，解决HMM模型故障诊断时一旦故障种类增多、部分特征不明显且相似时识别率显著下降的问题，从而为HMM智能诊断技术在核动力关键设备等复杂设备诊断上的实际应用提供技术保证与理论支持。论文的主要围绕以下几个问题展开：1、人工免疫理论与隐马尔科夫模型诊断系统的结合解决隐马尔科夫模型训练受初始值影响大的问题。本文通过在隐马尔科夫模型训练过程中引入克隆选择原理实现了局部最优的跳出；在此基础上重新划分抗体集合P，采用最优集克隆选择算法弥补克隆选择算法多样性的不足；并增加约束及估计主键的方式，将B矩阵降维至矩阵B*从而降低问题的复杂度。此外还借鉴了超球体空间覆盖原理避免变异算子部分功能与Baum-Welch算子功能出现重合导致的无效计算，并且通过BCSA算法最优集+最优组合寻求算法的方式解决了复杂条件下HMMs模型库需要大量的人工挑选的困难。2、研究增强隐马尔科夫模型模型分类能力的问题。本文采用HMM/SVM结构，引入支持向量机从外部弥补隐马尔科夫模型故障诊断系统应对复杂条件的分类能力；构建马尔科夫链HMM网络从内部通过类间信息学习提高隐马尔科夫模型故障诊断系统应对复杂条件下分类的能力；并且建立了多通道马尔科夫链隐马尔科夫网络模型故障诊断方法。3、实验验证本文采用主泵故障模拟实验装置上的测试实验对前文提出的故障诊断方法进行验证。通过测试实验可以证明，本文提出的复杂条件下基于隐马尔科夫模型的故障诊断方法是有效的。通过对复杂条件下HMM故障诊断技术的研究，本文对泵故障模拟装置的4大类故障，13种状态的进行了模拟和诊断。在采用结合免疫原理的HMM优化训练算法有效提高训练效率的基础上，HMM/SVM混合模型可将模拟装置稳定状态的平均识别率从86.8%提高到94.8%，HMM网络模型的平均识别率也可达到93.4%。两种方法均有效改善了系统在故障种类增多、部分特征不明显且相似等复杂条件下的识别性能。