由于受到生产产品等各方面需求的推动,很多专用设备逐渐向重型化、大型化的方向发展。大型设备系统结构复杂、集成度高,万一发生停机甚至出现重大事故,将会造成极大的经济损失。为了避免事故的发生,目前针对大型设备的维护手段基本以计划性维护为主,维护策略相对保守,多数更换下来的设备仍存在一定的剩余使用时间,资源利用率低。维护技术经历了故障检修、预防性维护等历程,目前已进入智能维护研究的阶段,主要分为基于模型驱动与基于数据驱动两个研究方向。对于系统日益复杂的大型设备,难以建立高精度的数学模型对其进行描述,而随着计算机运算能力的不断提升,基于数据驱动的智能维护已成为当前研究的热门方向。基于数据驱动的智能维护的核心就是如何通过已有的设备状态信息准确地计算出经济最大化的维护策略。在课题组已有对大型设备智能监控、衰退预测的基础上,本文对大型设备的智能维护进行研究,主要工作内容如下:（1）根据不同类型的信号特点,对信号的处理及特征提取进行分析,提出基于KM-SVD的降噪方法对振动信号进行降噪。提取出设备信号在时域频域内的不同特征,组成原始的特征向量集。（2）通过设备的两种时变性强的信号对设备的早期故障进行诊断。对于机械噪声信号,提出了基于特征融合的聚类-隐马尔科夫模型进行早期故障诊断。改进了经验小波变换并通过验证其具有良好的分解效果,然后基于改进经验小波变换-支持向量机对振动信号进行早期故障诊断。两种故障诊断方式均通过实验验证。（3）通过相关性等特征定义一个评价指标,设定阈值筛选原始特征向量集中的特征,得到能够表示设备退化的有效特征。然后通过主成分分析的方法将有效特征融合,构建健康因子HI用于表示设备的健康程度,所构建的HI可以有效地表示设备的退化过程。将提取的HI输入LSTM进行寿命预测,通过实验与已有文献的预测方法进行对比。（4）基于上述早期故障诊断与剩余寿命预测的方法,设计基于信号特征融合的大型设备智能维护系统,包括状态监测、故障诊断与预警、状态评估与预测、维护管理等模块。本文研究了特征提取与融合、早期故障诊断、设备状态评估以及设备剩余寿命预测,通过自行采集及公开数据集验证了方法的有效性,并根据已有文献与本文所提出的方法进行对比。实验结果表明,本文所提出的方法具有一定的先进性。最后,综合了早期故障诊断及剩余寿命预测两种方法,设计了大型设备智能维护系统,为优化维护策略提供有效的数据支撑,对于提高维护资源利用率、实现智能维护,保障大型设备可靠稳定运行,具有重要的意义。