面对现代企业高效生产过程对设备提出近零故障要求，基于设备实际性能状况的维护策略利用现代信息技术对机械设备运行状态进行实时分析，实现低成本高效率的主动式维护。但设备信息化需大量采集实时数据引发了诸多问题，如：处理器计算能力有限，传感信号海量数据无法及时处理；传输带宽和数据存储容量有限，数据无法及时被传输处理、数据过多无法保存；不能及时预测设备性能状态，维护过于频繁或备件过多。这些都严重限制了主动式维护策略的实施，形成瓶颈问题。　　 本文提出基于精益特征提取和智能预测评估的模型总体框架。针对机械设备潜在可监测变量数量巨大，而维护监测系统资源相对有限(信号处理计算能力、传输带宽和存储容量、设备维护备件)，需要系统性地研究监测过程中的去冗余算法及性能状态趋势预测方法。围绕该框架中三个关键环节进行了深入研究，即：高效的信号预处理算法、特征降维融合、智能评估预测模型。本研究的主要内容和创新点包括：　　 1.针对设备性能状态监测过程中大量数据实时信号预处理问题，提出一种高效特征提取方法：二代小波包重要性重采样模型。该模型在基于一代小波的特征提取方法基础上进行了改进，提出基于提升小波与改进的重要性重采样理论相结合的特征提取模型。与传统一代小波包相比较，二代小波包重要性重采样模型特征提取效率有显著提高，且节省计算内存空间。　　 2.针对设备监测过程中大量数据信息的传输和存储问题，提出一种基于流形学习框架的特征空间降维方法：判别式扩散映射分析模型。该模型基于流形学习降维框架，将判别式核函数和判别式时间尺度引入到扩散距离的计算，充分利用数据中已知判别信息，同时秉承了扩散距离映射的鲁棒性优点及非线性特征。与其他特征降维融合模型相比较，如线性模型：主成分分析、独立成分分析、线性判别分析；非线性模型：核主成分分析、自组织映射网络；及流形学习类非线性降维融合模型：等度规映射、局部线性嵌入、拉普拉斯特征映射、海森局部线性嵌入映射、扩散映射、局部切空间对齐分析，实验结果表明判别式扩散映射分析模型能更有效地将高维数据向量在低维空间中进行表示，减少维度冗余，揭示数据内部潜在的内蕴变量结构，减少特征向量所需的存储空间。　　 3.针对设备性能状态的量化评估与趋势预测问题，提出半监督式模糊均值方法和多尺度正交时间序列模型。半监督式模糊均值方法同时具备对设备性能状态分类评估及量化评估的能力。多尺度正交时间序列模型将正交小波理论与时间序列理论相结合，基于设备状态的连续量化评估值提供了一种可分布式计算的、多时间尺度的预测方法。　　 在气动减压阀的截尾寿命试验中对上述方法进行了验证。结果表明，应用二代小波包重要性重采样算法，其时间消耗比一代小波包减少可达40％以上。采用判别式扩散映射分析的特征降维融合模型，在保持评估准确率的条件下，所需存储的特征向量维度仅为原维度的6.25％。应用半监督式模糊均值方法对气动减压阀性能状态进行了量化评估，基于所得的连续可靠信度值进而建立多尺度正交时间序列模型，其趋势预测的准确度较单一时间序列有明显提高。综合这些以精益思想为指导的特征提取与智能评估预测方法，有效提高了设备智能维护与状态监测系统的资源利用率。