在实际石化装备工业运行过程中,监控其运行的传感器往往会采集到大量包含状态信息与故障特征的重要信息,可以用于装备的状态监测与故障诊断。当前设备运行的状态变化会时刻影响信号的相关特征参数,根据相关特征参数的分布情况可以间接掌握设备的当前运动状态。因此,状态监测与故障诊断成功与否的前提和关键在于如何从强干扰的机械状态信号中提炼出绝对有用、能够客观评价和判断诊断对象的状态特征。在实际工业现场中,往往存在大量背景干扰噪声、多种未知的机械结构源信号相互耦合以及传感器数目小于源信号数目等多种因素,加之传感器拾取的观测信号的传输过程未知,传感器获取的观测信号往往都是所有可能因素影响以及信号混杂后的结果,因此,难以直接获取有价值的故障特征信息。为了能够准确、高效地提取故障源目标信号,前提必须尽可能地将背景噪声和其他干扰信号进行抑制或排除。针对上述问题,本论文面对石化行业装备运行过程中故障诊断存在的问题,以石化装备轴承智能故障诊断系统为切入点,首先展开石化装备故障诊断系统的需求分析,多角度剖析确定系统总体的逻辑框架。然后通过分析石化装备滚动轴承智能故障诊断中数据采集的技术及实现过程,结合数据驱动的思想及优点,分别对石化装备滚动轴承智能故障诊断系统的逻辑框架的三个层面:即数据预处理、数据驱动下基于人工智能的故障诊断、数据驱动下基于统计方法估计盲源分离信号的故障诊断进行分析研究。论文的主要工作及创新之处如下:1、数据驱动下改进小波分析的滚动轴承故障信号降噪。基于传统小波阈值降噪原理,提出一种新的改进小波阈值除噪的方法,设计衡量各个尺度下小波系数的标准差估计指标,并基于此构造一种新的自适应的阈值过滤函数,实现对采集信号的过滤去噪预处理,模拟仿真及实例仿真验证均表明其降噪有效性。2、数据驱动下耦合交互的滚动轴承复合故障解耦诊断。针对复合故障数据耦合交互特点,首先引入线性判别分析理论,将数据进行解耦映射,采用数据驱动下BP神经网络诊断方法进行解耦模式辨识,考虑到复合故障数据耦合程度较高,提出利用核函数作用下的线性判别分析解耦,进一步采用极限学习机进行模式辨识,将模型进行对比验证其改进的有效性。3、数据驱动下滚动轴承复合故障盲源分离辨识与诊断。对于降噪后的复合故障数据,设计盲源分离方法进行分离,引入实际系统误差及观测误差,进一步引入总体最小二乘方法对分离的信号进行优化估计,设计实验仿真验证算法分离辨识信号的能力。