工业4.0的到来不仅要求机械设备更加智能化,也对机械设备的可靠性有了更高的要求。本文以机械设备运行状态信息为基础,以信号处理技术为主要手段,分别从信号采集、状态特征提取和运行可靠性评估三方面着手,提出了基于最小熵解卷积-快速变分模态分解、模糊近似熵和模糊支持向量数据描述的运行可靠性评估方法。首先,针对机械设备早期损伤状态信息易受到强背景噪声干扰而不易被提取的问题,提出一种基于最小熵解卷积-快速变分模态分解和模糊近似熵的状态特征提取方法。该方法利用最小熵解卷积对信号进行降噪,并增强原始信号中原本被噪声淹没的脉冲特性,利用快速变分模态分解对降噪后的信号进行分解,利用模糊近似熵量化经快速变分模态分解后所得的模态分量并构造特征向量。其次,针对机械设备运行可靠性评估中样本数据不足的问题,结合模糊支持向量数据描述在建立机械设备运行可靠性评估模型时只需要机械设备正常样本数据的优点,以及该方法能够区分数据置信度的特点,引入一种基于模糊支持向量数据描述的运行可靠性评估模型,并将所提评估模型应用于滚动轴承实测信号中,来验证其有效性。最后,在实验台上采集齿轮不同工况下的实验数据,利用基于最小熵解卷积-快速变分模态分解和模糊近似熵的状态特征提取方法对采集的信号进行状态特征提取并构建状态特征向量,然后利用基于模糊支持向量数据描述的运行可靠性评估模型对所构建的状态特征向量进行评估。结果表明,本文所提方法可以有效地评估出齿轮不同工况下的运行可靠性。