制造业是国家发展的基础,随着相关领域技术的快速发展,机械设备和生产系统变得越来越智能化,对设备和生产系统的可靠性要求也越来越高。预诊技术可以提前提供机械设备健康信息,是保证机械设备高效、可靠运行的关键技术。因此,研究预诊技术,特别地,针对多维特征融合的预诊方法进行研究,以达到在故障发生前进行预测和预防的目的,并根据预诊结果采用先进的智能维护方法对设备和生产系统进行维护,对于实现设备的近零故障运行,具有重要的科学理论意义和工程应用价值。本文针对基于多维特征融合的设备预诊以及维护决策方法的关键技术进行了研究,主要包括以下几个方面。提出在预诊过程中综合考虑时域特征、频域特征与时频特征组成的多维联合特征,通过各类特征之间信息的相互补充,实现对预诊准确性的提升。所形成的联合特征通常维数较高,且存在信息冗余,因此需要针对特征降维方法进行研究。在研究上述多维特征提取方法的基础上,提出了基于改进的动态遗传算法的特征选择方法,通过改变染色体长度和实时改变的动态搜索策略获得候选特征,实现对多维联合特征的选择;采用主成分分析法对选择后的特征进行融合,从而实现联合特征的降维。提出了基于支持向量机的设备性能评价方法,设计了阶段式的性能评价方案,利用降维后的联合特征,对设备进行预诊。以转子早期不平衡的识别问题为例,对预诊问题进行了分析。搭建了转子不平衡实验系统,设计了转子不平衡实验,采集了无故障状态以及另外三种不同程度的不平衡状态下的振动和位移信号,并进行了频域特征以及时频特征的提取。通过对转子轴心轨迹的形状特性分析对其进行了时域特征提取,采用小波变换以及小波包变换的方法对转子振动信号的时频特征进行了提取,从而构建了多维联合特征。利用上述改进的基于动态遗传算法的特征选择和基于PCA的特征融合方法对多维联合特征进行降维,再将降维后的联合特征用于基于SVM的转子不平衡预诊过程。为了解决传统预诊方法中特征提取和特征选择可能带来的有效信息丢失问题,本文提出了基于深度学习模型的智能预诊方法。并在上述转子不平衡实验系统上进行了实验验证。首先将转子在上述四种状态下的结构化数据,即振动信号数据、非结构化数据,即轴心轨迹图片所组成的转子不平衡多源异构数据,进行了数据结构化预处理。再将结构化了的数据作为深度学习模型的输入。通过对深度学习模型的训练,建立了从含有全部原始信号信息的数据到设备性能之间的非线性映射关系。实验结果表明,基于深度学习模型的智能预诊方法具有较好的准确性,为工业大数据环境下的设备预诊研究提供了支撑。以设备预诊结果为依据,提出了基于智能算法的设备维护决策方法。首先研究了单台设备的维护策略,对维护活动类型及其与设备性能状态的关系进行了阐述。然后进行了针对多机系统维护决策方法的研究,建立了设备结构依赖性模型和维护成本模型,将机会维护的思想运用于系统维护时机决策,将成组技术引入维护决策环节,解决了系统何时进行维护、每次维护活动都有哪些设备需要进行何种类型的维护的问题,缩小了维护调度问题的规模、提高维护效率,进而达到降低维护成本的目的。最后利用混合遗传算法对待维护单元进行了调度,并在实际车间模型中进行了应用,提高了维护效率。