设备在服役期内的安全性、可靠性越来越受到业界的重视。起重机广泛应用于众多基础建设项目，工作环境恶劣复杂，是事故率最高的特种机械设备之一。设备关键部件发生故障，就可能破坏整台设备甚至影响整个生产过程，不仅造成巨大的经济损失，甚至可能导致灾难性的人员伤亡事故。实时监控设备运行状态、及时对其故障进行诊断是避免非计划停机和保障起重机安全生产的重要措施。基于数据驱动的状态监控与智能诊断是当前研究的一个热点，同时也面临着一系列理论和技术上的挑战：复杂噪声环境下有用信号的提取；设备运行状态有效特征的提取；基于实时在线智能故障诊断模型的建立；以及针对故障样本稀缺和故障模式不完备情况下智能诊断模型的建立等。本文研究复杂工作环境下工程机械状态监控与故障诊断的共性关键理论方法与技术，并应用于大型汽车起重机主泵。主要内容包括：（1）小波去噪是信号处理领域中的重要方法，如何确定小波分解层数是一个关键问题。本文针对加性高斯白噪声的情况，提出了基于blockbootstrap进行白化检验确定小波分解层数的新方法。主要包含三个步骤：首先对信号进行小波分解，利用延迟自相关量考察小波系数的相关性；其次，根据每层系数相关性的程度，采用block bootstrap过程或者bootstrap过程对原始的小波系数进行采样产生新的bootstrap样本；最后，由于有用信号和噪声在小波空间上不同的传播特性，对获得的小波系数样本进行白化检验，继而确定合适的分解层数。实验表明，该方法对白噪声污染信号能够获得合适的分解层数和良好的去噪效果。（2）小波阈值的选取是小波去噪的另一个关键因素。本文提出了一个基于Advanced False Discovery Rate （AFDR）的多假设检验方法确定小波阈值的新方法，该方法基于对真的原假设数目的估计，选择合适的step wise过程（step-up，step-down，step-up-down）。AFDR过程与标准的FDR过程相比，有两个主要特点：通过减少比较的次数，提高了多假设检验的效率；提高了检验的势。对应的的自适应小波去噪方法主要包含两个步骤，第一，模型在小波域得到更紧凑的表示，第二，根据小波系数本身的特点，选择最合适的FDR过程。仿真数据和实际实验表明，算法能够灵活调整显著性水平的大小并有效去噪，本方法滤波效果与其它经典的滤波技术相比，具有一定的优势。（3）基于小波leaders多重分形分析提出了振动信号特征提取新方法。在本文算法中，由尺度指数、多重分形谱和log累积量构成多重分形特征对设备不同故障状态和故障程度进行诊断，并对各分形特征及其组合的分类性能进行评估。8个小波包能量特征也被引入到特征集合，实验在轴承11组故障数据集上表明，能够获得较为理想的分类效果。同时表明，多重分形特征结合小波包能量特征的分类性能优于多重分形特征或小波包能量特征或时域统计特征，也优于时域统计特征与小波包能量特征或多重分形特征的组合特征。利用距离评价准则，对组合特征进行选择，冗余特征的去除，使分类性能进一步得到提高。（4）提出了基于粒子群相关向量机（Relevance Vector Machines withParticle Swarm Optimization，PSO-RVM）的智能诊断方法，其中粒子群算法用于优化相关向量机核函数的参数，各二值相关向量机按二叉树的组织形式构成系统的诊断模型。实验表明该方法所得模型需要的相关向量个数很少，而且能够得到比较高的诊断精度，适合对实时性要求高的在线诊断系统。另外，针对机械运行最初阶段，往往只有正常状态的样本，到一定阶段后故障样本才逐渐增多，常规故障诊断模型无法进行有效的训练这一问题，本文提出了一个基于蚁群支持向量数据描述(SupportVector Data Description with Ant Colony Optimization，ANT-SVDD)新异类检测和Davies Bouldin指数（Davies Bouldin Index，DBI）K均值聚类方法结合的机械故障诊断框架。首先对正常状态样本建立SVDD模型，并利用蚁群算法对SVDD模型参数进行优化。当拒绝样本数目累积到设定的阈值时，对这些样本利用K均值聚类方法进行处理，获得能够进行标记的类别，其中，K均值聚类的类型数目由Davies Bouldin指数辅助确定。最后，对这些标记出的各类样本，分别建立SVDD模型进行训练，由这些SVDD分类器按照二叉树形式组成对系统状态的完整诊断模型。实验验证了所提算法的有效性。（5）提出了汽车起重机智能维护总体框架设计和数据库系统设计，并利用本文所提出的状态监控和故障诊断关键技术，进行汽车起重机主泵基于小波预处理技术的状态监控分析和基于PSO-RVM、ANT-SVDD聚类的智能诊断研究。信号消噪前后的包络谱表明，利用所提出的预处理技术，可以明显改善信号质量，提高状态监控的准确性。针对汽车起重机柱塞泵6种状态，包括正常，轴承内圈故障，滚动体故障，柱塞故障，配流盘故障，斜盘故障，建立PSO-RVM诊断模型，并与后向传播神经网络（Back-Propagation Artificial Neural Network，BP-ANN）,蚁群优化神经网络（Ant Colony Optimization Artificial Neural Network，ANT-ANN）,相关向量机方法（Relevance Vector Machines，RVM），粒子群支持向量机（Support Vector Machines with Particle Swarm Optimization，PSO-SVM）进行比较。诊断结果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的识别精度，与PSO-SVM识别精度相当，分别达到99.17%和99.58%，但是所需相关向量的数目远小于支持向量的个数，每个二分类RVM的相关向量数目是对应SVM的支持向量数目的1/12－1/3。进一步验证了PSO-RVM更适合在线实时监控。利用主泵相同的数据，首先对主泵正常状态建立ANT-SVDD模型，然后对异常样本根据DB指数进行聚类，将由新发现类型样本建立的ANT-SVDD分类器组合进系统诊断模型，实现了主泵新增故障类的智能诊断。