随着科学技术的进步和工业的发展，各类旋转设备的复杂性显著增加，如滚动轴承和齿轮等部件的微小故障都会引起整个系统的工作状态的改变，进而会引起设备性能的下降，甚至引发严重的突发事故，造成巨大的经济损失。防止设备和产品性能失效，已成为企业降低运作维护成本、提高生产效率和市场竞争力的重要手段，企业一般多采用计划/周期性检修的方式来保证设备和产品的稳定性，但这种方式经常会造成维修浪费，因此给企业带来了沉重的经济负担。所以当前的流行观念是采用基于状态监测的智能维护，不停地对设备和产品的性能状态进行监测、评估和预测，并按需制定维护计划，以防止因故障而导致性能恶化至完全失效，并根据设备的劣化状态对将来运行趋势进行预测。如果能够在设备性能退化的过程中检测到设备性能退化的程度，那么就可以有针对地组织生产和设备维修，防止设备功能失效情况的发生。设备性能状态预测正是基于以上思想提出的一种主动设备维护的技术。研究发展设备性能退化评估与预测技术，促使设备维修制度从事后维修、定期维修向预测性维修方向发展，对于提高企业的经济效益和社会效益，促进国民经济的发展具有十分重要的意义。将设备性能退化预测技术用于指导企业生产、优化设备管理、降低企业突发事故以及提高企业综合竞争力，是工程实际的迫切需要，也是故障诊断技术发展的必然趋势。　　 为了能更有效地对机械设备运行状态进行有效监测，并对当前状态进行评估以及状态预测，本课题以滚动轴承和齿轮为研究对象，针对滚动轴承和齿轮的运行特点，研究其早期故障的物理本质，从而客观、有效的提取特征，识别微弱故障特征，并对故障的发展状态进行状态预测。本文具体研究内容如下：　　 阐述了论文的选题背景和研究意义。分析了信号强化方法、预测方法以及状态监测系统的国内外发展现状，总结了目前研究中需要解决的问题，确立了本论文的研究内容。　　 研究基于多特征模式集的匹配追踪的信号强化方法。主要研究基于匹配追踪和基追踪的信号强化方法。简要介绍了追踪算法的特性，并针对冲击类信号，研究了基于小波包字典的匹配方法，实现噪声背景下冲击信号的特征强化。将该方法推广到轴承和齿轮振动仿真信号预处理中，并提出了基于多特征模式集的匹配追踪方法的特征强化方法，对微弱信号的特征提取和故障分析奠定了坚实的基础。　　 研究了支持向量机回归分析方法基础上，建立了小波变换与最小二乘支持向量机相结合的预测模型，研究了模型中参数选择对于预测精度的影响（包括C值，不敏感系数，核函数），并将该模型用于状态预测。该模型特点是通过小波变换提取出时间序列的细节成分，由于分解后的子序列具有更强的规律性，因此会更利于支持向量机进行预测。该方法能够比传统的支持向量机方法提高预测精度。　　 研究了模糊神经网络分析方法，提出了神经模糊网络(NF)的多步状态预测模型，并讨论了模型参数（隶属度函数类型及数量、样本数量、训练步数）对预测结果的影响进行了分析和探讨。利用轴承的全过程数据，对ANFIS的预测效果进行了验证。并将ANFIS的预测结果分别与RBF神经网络的预测结果进行了对比，表明ANFIS预测模型具有更高的预测精度。　　 在以上研究的基础上，提出了基于SOA(service oriented architecture)的状态预测系统模型，并对该模型进行了的建模分析与验证，实现了基于SOA的预测系统的原型系统开发。基于Web Service技术开发了远程服务、实现了UDDI业务服务注册、验证了异构平台间RDC服务的消费等。进一步证明了SOA技术应用到分布式远程故障诊断模型的可操作性。实现了企业状态预测系统。该系统基于SOA架构模型，使用.NET、COM，ActiveX技术开发了系统基础组件和控件；在.NET环境下，使用WCF和Web Service等SOA技术，对所开发的组件进行了包装，最后实现了系统的开发。　　 在轴承加速疲劳试验台上采集了多组轴承强化疲劳试验全过程数据。详细对比分析了多个状态下轴承信号的时域和频域特征的变化规律。利用轴承试验数据，研究了各个状态预测模型的预测能力，另外还针对第二章所提出的基于多特征模式集的匹配追踪的信号强化方法，运用到轴承疲劳实验和齿轮箱实验中，对比于原始信号和时频分析，该方法能够很好的强化信号特征，而且更早的发现微弱故障特征。　　 最后对全文研究工作进行总结，并概括论文的创新点，同时就基于状态预测技术未来的研究工作提出了一些建议，指出了若干值得注意的问题。