随着科学技术的日益进步与现代工业的飞速发展,机械设备不断向大型、复杂、高速、高效及重载的方向发展;与此同时,其工作和运行环境也更加复杂和苛刻。这些设备一旦突然发生故障,不仅会增加企业的维护成本,降低企业的生产效率,还可能造成巨大的经济损失,甚至导致严重的人员伤亡,产生不良的社会影响。因此,如何准确有效地诊断和评估设备的运行状态,从而合理地制定维护计划以防止突发故障的发生,确保设备安全高效地运行是当前亟需解决的问题。通常,设备由正常到完全失效总会经历一系列不同程度的性能退化状态。因此,如果能够在设备性能退化的过程中准确地监测到其性能退化的程度,那么就可以有针对性地制定设备维护计划,从而有效防止设备因故障而失效。性能退化评估正是基于这一思想而提出的一种主动维护技术。性能退化评估技术与传统的故障诊断技术在理念上有很大的不同,它侧重于对设备全寿命周期性能退化走向的分析,而并不局限于对某个时刻状态的诊断。多通道数据包含丰富的信息,合理地融合多通道数据可以得到更加准确可靠的结果;而耦合隐马尔可夫模型是一种对多通道数据进行建模的概率模型。为此,本文以滚动轴承为研究对象,深入开展了基于耦合隐马尔可夫模型的多通道融合故障诊断与性能退化评估的理论体系和技术方法的研究,包括以下几个方面的内容:(1)从理论分析与工程应用的角度出发,阐述了论文的选题背景和研究意义。分析了机械设备故障诊断方法、性能退化评估方法、信息融合技术、状态监测与故障诊断系统等方面的国内外研究现状,总结了目前研究中需要解决的问题,确立了本文的研究内容。(2)介绍了作为本文理论基础的隐马尔可夫模型(Hidden Markov Model, HMM)的相关概念和基本算法,讨论了其算法实现问题及相应的解决办法,最后通过滚动轴承故障诊断实例详细阐述了常用的基于HMM的故障诊断方法的基本思想和流程。(3)将耦合隐马尔可夫模型(Coupled Hidden Markov Model, CHMM)引入到滚动轴承多通道融合故障诊断中。在分析了HMM用于多通道信息融合的不足的基础上,介绍了适合于多通道信息融合的CHMM的基本理论,并推导了其前向-后向算法和参数估计算法。然后,提出了基于CHMM的滚动轴承多通道融合故障诊断方法。该方法利用含两条链的CHMM融合滚动轴承水平方向和竖直方向的振动信号来进行故障诊断。最后,利用滚动轴承故障诊断试验进行了验证,并与常用的基于HMM的故障诊断方法进行了比较。结果表明,所提方法可以准确诊断轴承的故障。(4)针对多通道融合故障诊断中可能出现的缺失数据和野点的情况,通过对原前向-后向算法进行改进,提出了一种耦合隐马尔可夫模型的鲁棒性自适应推理算法。最后,利用试验数据进行了验证。结果表明,所提方法在缺失数据的情况下,仍然可以利用现有数据得到较准确的结果,而不需重新训练模型。(5)提出了基于耦合隐马尔可夫模型的滚动轴承多通道融合性能退化评估方法。首先,介绍了作为数据来源的滚动轴承加速寿命试验,并详细分析了全寿命周期各通道常用监测指标的变化规律。然后,针对现有的性能评估方法存在对数据完备性要求高、评估结果可解释性差等缺点,结合多通道信息融合技术,提出了基于CHMM的滚动轴承多通道融合性能退化评估方法。该方法仅需正常状态下的数据训练CHMM,建立性能退化评估模型,然后使用该模型对轴承的退化程度进行定量评估。并且,通过核密度估计(Kernel Density Estimation, KDE)实现了对报警门限的估计。最后,利用滚动轴承加速寿命试验数据验证了所提方法的可行性和有效性。(6)针对当前状态监测与故障诊断系统的缺点与不足,提出了一种基于面向服务架构(Service Oriented Architecture, SOA)的故障诊断与性能退化评估系统架构,并使用Web服务(Web Services)和WCF(Windows Communication Foundation)等面向服务的技术实现了所提的基于耦合隐马尔可夫模型的故障诊断与性能退化评估系统。