分子泵是一种用于高真空环境的精密机械,是高端分析仪器如质谱仪,扫描电子显微镜等的重要组成部分。为了提高真空度,抽速等性能指标,分子泵通常在极高的转速下运行。随着分子泵的运转,内部的易损零件的性能逐渐退化,如果疏于维护最终可能造成零件的失效甚至整台仪器的损坏。因此,研究分子泵的运行状态监测,异常检测,故障诊断,性能评估以及关键零部件的寿命预测技术是十分必要的。本文的工作内容分为以下几个部分:首先,进行分子泵的各个子系统分析,确定分子泵中的易损关键零部件,并进行关键零部件的扩展FMECA分析,确定其故障症状和危害度,故障演变模式,失效机理,传感器类型和布置。根据扩展FMECA分析的结果,设计了分子泵的PHM技术框架,包括异常检测方法,故障诊断(性能评估)方法和寿命预测方法。异常检测采用基于时间序列建模的技术,故障诊断(性能评估)采用以深度学习为基础的自动特征提取器和分类器实现,寿命预测采用基于退化模型和粒子滤波的方法实现。其次,为了提高故障诊断方法的性能,提出了以集成自编码器作为特征提取器,以集成神经网络作为分类器的故障诊断方法,并在轴承和齿轮箱故障的公开数据集进行验证,结果表明这种方法性能优越,不仅诊断准确,而且受到噪声等不利情况的影响较小。进行了分子泵的故障诊断实验,采集了6种不同故障情况下的振动信号,在4种不同情况下利用提出的方法实现了分子泵故障诊断。最后,为了掌握分子泵性能退化的特性,设计了分子泵加速寿命实验以及相关的数据采集软件,采集了分子泵的全寿命数据并用于评估本研究的PHM算法。实验结果表明,本文采用的异常检测算法可以准确检测出不同退化阶段的分界,性能评估算法分类四个退化阶段的正确率达到90%,寿命预测算法能够在退化中期提前约90小时预报故障,相对误差小于10%。