近年来,国内外在机械工程领域开展了大量针对机械系统主轴、齿轮、轴承的损伤故障诊断研究,提出了诸多基于智能诊断的高精度、高可靠性诊断方法,如:人工神经网络、极限学习机、聚类分析、支持向量机等,这为复杂机械系统损伤识别提供了技术基础。然而,实际运行设备损伤故障特征信息微弱,往往被机械系统的强噪声所淹没,并且试验室数据与实际设备运行数据不属于同一母体,只能用于研究故障现象的一般原理和发展规律,而故障监测诊断需要的是针对某台机械设备的个体数据。即使同一型号的机械设备,由于装配、安装及运行条件不同,其工况状态边界是有差别的,必须从实际设备运行状态出发,获取大量能反映实际运行条件的不同类型故障样本。如何获得机械系统大量反映实际运行状态的故障特征信息,是制约采用这些优秀的机械故障诊断方法实现个性化诊断,走向工程应用的瓶颈。本研究采用数值模拟/仿真分析手段,建立机械系统高精度仿真分析模型和进行高性能仿真分析,获得大量反映实际运行条件的不同类型单、多复合故障样本,弥补现有高性能故障诊断方法缺乏或难以获取故障样本的缺陷,探索特定工作状态下机械故障个性化诊断的新途径。具体开展以下研究:针对轴承故障类型识别问题,提出一种基于有限元模拟驱动的支持向量机分类方法,形成轴承故障个性化诊断框架。通过有限元模拟获得故障样本,并作为支持向量机的训练样本,对实测信号(测试样本)进行分类,判断测试样本的具体故障类型,从而实现轴承故障个性化诊断。与轴承故障诊断类似,针对齿轮传动系统和转子系统的故障诊断,分别提出一种基于有限元模拟和极限学习机的个性化诊断方法、基于有限元模拟和卷积神经网络的个性化诊断方法。单、多故障实验研究表明:本研究提出的有限元模拟驱动的机械故障个性化诊断方法,在轴承、齿轮、转子等常用机械零部件故障诊断中具有良好的效果,可有效地分析机械系统服役性能和预防重大事故,具有重要的学术意义和应用价值。