设备在服役期间内的安全性、可靠性与可维护性是目前我国装备制造业亟需解决的一个重要课题。通过监测设备状态并实施基于状态的维护是解决该问题的有效手段,因此设备状态的可监测成为装备制造企业在提高产品的设计与制造品质的同时,进一步增强产品高技术附加值的重要方面。对于以重型数控轧辊磨床为代表的一些大型基础制造装备来说,其状态监测的必要性更为明显,但同时也面临着更多挑战:磨削加工条件下监测信号的工况干扰;低转速条件下连续长时间采样信号中设备状态信息的提取;基于特征设备状态识别的固有弊端等等。为了解决重型数控轧辊磨床特殊的机械结构和工况特点对其状态监测带来的诸多问题,本文从理论方法、实验验证、技术集成等方面做了深入的研究和探索,具体包括以下方面:1.针对设备状态信息的有效提取问题,借鉴生物感知系统“冗余度压缩”的信息处理原则,基于稀疏编码方法分析振动信号,并借助其计算特性提出了自适应的特征提取框架。在该框架下的特征提取分为两个步骤:首先从每一类设备状态下的样本信号中学习出一个子字典,进一步融合多个子字典构造出设备状态冗余字典;然后基于该冗余字典求解监测信号的稀疏表示,并从中提取出稀疏特征。构造设备状态冗余字典的目的是为了积累对不同设备状态的先验知识,从而使得提取的稀疏特征成为量化某一设备状态存在的指标。基于标准轴承振动数据集的验证表明,所提取的稀疏特征具有良好的可分性,并且所构造的轴承状态冗余字典对载荷变化后的振动信号仍保持较好的适应性。2.基于特征的设备状态识别方法存在“不可避免的误诊断”、“依赖历史监测数据建立其诊断能力”的固有弊端。本文针对“不可避免的误诊断”问题结合稀疏特征与自组织映射型神经网络提出了可视化的设备状态识别模型。该模型借助于自组织映射型神经网络的无监督聚类分析能力与数据可视化能力将基于稀疏特征的设备状态空间在一个二维平面上显示,从而构造出一个设备状态的分布图;设备维护人员能够根据监测信号在该分布图上的映射结果自行判断设备状态,并能够对有歧义的映射结果采取审慎的态度。此外,借助于自组织映射型神经网络的异常检测能力,通过建立该模型的更新机制使得在设备状态监测过程中能够基于监测数据不断改进其状态识别能力。3.针对磨削加工条件下监测信号的干扰问题,研究了基于稀疏成分分析的信号盲分离技术;并提出了基于匹配追踪的单通道振动信号盲分离方法:依据振动信号分离的一个基本原则,将盲源分离问题弱化为更为实际且有益于设备状态识别的周期性、非平稳以及平稳信号成分的盲“成分”分离问题,基于匹配追踪算法将监测信号在一个由Gabor基函数与小波包基函数构成的超完备字典上投影,从而实现三种信号成分的分离。实验证明,该方法不仅能够有效捕捉早期设备故障时的微弱瞬态振动信号,并且可以根据基函数激活分布的聚类结构实现对非平稳信号成分的进一步分离。4.针对重型数控轧辊磨床的状态监测需求,设计了其状态监测系统的总体架构,并对上述理论方法研究进行了应用。首先,从有助于系统内部设备状态信息流通及信息处理能力改进的角度建立了现场诊断仪与远程监控相结合的系统总体架构;通过对传感与数据采集方案的实施采集了磨床在空载条件下的振动数据,并跟踪采集了磨削加工条件下的振动数据;通过数据分析确定了磨削加工条件下的三种振动类型:齿轮啮合振动、顶尖相对滑动和磨削颤振,并建立基于稀疏性的状态识别模型;在技术集成应用上,通过对规范系统的数据与应用接口保证了系统的可扩展性,并通过建立状态识别模型的更新机制使其诊断能力能够随着设备状态与监测数据的丰富而得以改进。通过对上述理论方法与技术规范的集成应用实现了重型数控轧辊磨床的状态监测原型系统。实际应用中,所建立的基于稀疏性的状态识别模型有效地检测出了由于磨床头尾架顶尖不对中而引起的顶尖滑动增多的情况,而对于磨削颤振的识别使得现场的磨床操作人员能够及时调整加工参数,保证加工质量。