旋转机械的智能健康管理是实现对旋转机械的运行维护以及安全保障的重要手段,在旋转机械的整个寿命过程中,健康管理技术的作用在于与控制模块一起协同工作,保证旋转机械的可靠、稳定运行,使旋转机械拥有较长的工作寿命。而健康管理作为一项以多学科综合为基础的技术,其所涉及的基础学科门类众多,包含的研究内容广泛。其中的故障诊断、运行状态监测与寿命预测是旋转机械健康管理体系中三项颇具实用性的技术,在本文中,作者将它们的特点与联系进行了分析讨论,给出了具体算法应用中所遇到的数据/参数不确定问题的解决方法,并完成了实验验证。论文的主要研究内容和成果包括如下几个方面:首先,研究了基于函数相关性分析的传统特征提取方法在面对非平稳信号处理时存在的适应性不足的问题,提出了不确定性提取方法,该方法使得在对故障旋转机械的监测信号进行特征提取时可以获得更加具备代表性的特征集合,避免了传统信号特征提取中由于分解基的引入和选择所带来的问题。其次,研究了一种基于熵增比率的决策树算法并将其用于实现特征选择。与经典的决策树算法相比,改进的决策树算法具有更佳的泛化能力以及较短的运算时间。结合由原始信号所提取的不确定性成分以及决策树算法可以筛选出代表性较好的特征集合,测试结果表明所筛选的特征具有更高的分类正确率。第三,针对监测数据特征存在不确定性这一问题首先分析了故障诊断中不确定性可能的来源,然后研究了不确定性支持向量机算法以及不确定性神经网络算法,并将它们应用于面向数据特征的分类。将所提出的不确定性提取方法,特征选择方法以及两种特征分类算法结合起来,建立了一种考虑数据不确定性因素的转子故障诊断方法。该方法在测试数据集上表现出了较高的诊断率,证明了其良好的泛化能力。第四,在针对单一故障模式提出的诊断方法的基础上,研究了动态源数估计方法以及盲源分离方法,对具有多个故障源的复合故障旋转机械进行了实验,将其与已提出的故障诊断方法相结合,实现了旋转机械的复合故障诊断。第五,针对非平稳运行工况下的旋转机械健康监测提出了一种基于不确定性缩减的新颖性检测算法。研究了建立在局部极值提取上的极限分布函数以及它们的性质。在对时变非平稳数据分析的基础上提出了用互信息散度实时地对极值分布的稳定程度做出判断的策略,实现了一种低虚警率的健康监测技术。最后,将监测数据的区间不确定性模型引入旋转机械的寿命预测过程,在实现转子寿命预测的同时得到了不确定参数在寿命预测模型中的传播规律。可以以此规律实现对不确定性的有效控制,并在这一过程的基础之上建立一种基于有限信息的、相对“可靠”的寿命预测方法。本文所提出的几种算法与策略构成了改进的旋转机械健康管理体系,可以较好地适应旋转机械的实际工况,实现更具有针对性的健康管理。