故障诊断理论与技术是提高现代化机械装备安全性、稳定性、可靠性的重要手段,是保障人民生命和财产安全甚至是国防安全不可或缺的技术,对我国制造业优化升级、提质增效具有非常重要的战略意义。机械装备在运行过程中可能多种关键零部件同时发生或先后级联出现故障,多种故障模式相互耦合形成复杂的关联关系,复合故障成为装备常见的故障。复合故障特征与故障模式类别之间的关联关系不明确,使得机械装备的故障诊断与预测性维护难度急剧增加,复合故障的解耦与诊断成为故障诊断领域面临的一个重大挑战。论文从现代化机械装备智能诊断与预测性维护的需求出发,以“丰富拓展机械故障智能诊断方法的有效性、实用性与泛化性”为基本方向,聚焦“复合故障智能解耦与诊断”主题,针对现有智能诊断技术在机械装备复合故障诊断应用过程中亟需解决的关键问题,重点研究多标签解耦驱动的复合故障智能解耦模型的构建与训练方法,并围绕面向工况迁移、工况泛化以及多源数据融合等服役场景下机械装备复合故障的智能诊断与应用方面开展研究,为推动智能诊断技术进一步走向工程实际应用提供有效的解决思路和方案。论文的主要研究工作可归纳如下:针对传统智能故障诊断方法缺乏对复合故障智能解耦与分析的问题,提出了两种多标签解耦驱动的机械装备复合故障智能诊断模型。为赋予故障诊断算法复合故障智能解耦合的能力,分析传统智能诊断方法将复合故障作为与单一故障相互独立的故障模式来建立智能诊断模型而忽略了复合故障与单一故障之间关联关系的局限性,并考虑复合故障数据完备与匮乏的两种应用场景,分别提出了模拟人类认知能力的复合故障智能解耦方法:监督式的多标签分类器和无监督式的解耦分类器,通过多标签输出机制实现了机械装备复合故障的智能解耦与诊断,极大地提升了智能诊断模型的实用性和有效性。针对所建立的复合故障智能解耦模型在多服役工况下泛化性能欠佳的问题,提出了面向工况迁移的复合故障智能解耦方法。在变工况场景下,为提高智能解耦模型的泛化性能,分析多服役工况下机械装备故障模式分布之间的共性特征与差异,利用目标工况下大量无标签数据,结合所提复合故障智能解耦模型与基于最大均值差异的特征迁移学习方法,构造了基于可迁移胶囊网络的复合故障智能解耦模型,将单一服役工况下训练的智能解耦模型迁移并应用到另一目标服役工况的复合故障智能解耦任务中,实现了变工况下机械装备复合故障的智能解耦与诊断,为初步解决多服役工况下复合故障智能解耦模型泛化性能提升问题,提供有效的解决措施与方案。针对极端工况下机械装备监测数据无法提前采集并用于模型训练的问题,提出了面向工况泛化的复合故障智能解耦方法。在多变工况场景下,为赋予智能故障诊断算法更强的工况泛化性能,挖掘不同服役工况下共性的故障特征知识,考虑测试工况数据无法用于模型训练的场景,提出模拟人类知识泛化的智能诊断模型的构建与训练方法。受卷积神经网络权值共享机制的启发,将权值共享策略引入全连接型胶囊网络,提出基于权值共享胶囊网络的智能诊断模型,极大地提升了智能诊断模型的泛化性能和变工况场景的适应能力。针对工况泛化场景下复合故障的智能解耦任务,结合胶囊网络和多域对抗迁移学习技术,提出了基于深度对抗胶囊网络的智能解耦模型的构建与训练方法,将多个历史工况下训练的复合故障智能解耦模型成功地泛化到一个全新的或极端的服役工况,有效地解决了实际工业应用中机械装备的监测数据无法提前采集并用于模型训练的问题,进一步提升了智能故障诊断模型的工况泛化性能。针对基于单一传感数据所建立的智能解耦模型面对多种复合故障时诊断性能急剧衰退的问题,提出了基于多源数据融合的复合故障智能解耦方法。在人工智能与工业大数据的驱动下,探讨了多源传感数据相较于单一传感数据在提供全面、完整的装备状态信息方面的显著优势,结合所提复合故障智能解耦模型与多源数据融合技术,提出模拟人类多模态感知系统的复合故障智能解耦方法。通过引入基于学习法的集成学习技术,构造了基于多源数据融合的深度集成胶囊网络,有效地实现了多种复合故障的智能解耦与诊断,为工业多源数据场景下复合故障智能解耦方法的开发与应用提供了新的途径。基于汽车五档变速器传动实验平台采集的监测数据,验证了所提方法在复合故障智能解耦和模型泛化性能提升方面的有效性和可靠性。复合故障智能解耦方法相对于传统智能故障诊断方法取得了一定的进展,但该方法在机械装备智能故障诊断中的应用研究还有待于重点关注并进一步深入和完善。