对于旋转机械故障诊断来说，其实质上就是进行模式识别，目前应用比较广泛且已经成熟的模式识别方法有神经网络和支持向量机，但这两种方法都存在一些固有的缺陷。其中最为重要的是它们都未考虑所提取特征值之间具有的相互内在关系，然而在旋转机械故障诊断中，所提取的信号特征值之间或多或少存在一定的内在变量关系，而且这些特征值之间的内在关系在不同的系统或类别（相同的系统在不同的工况下）间具有显著的不同。基于此， Raghuraj与Lakshminarayanan提出了一种新的模式识别方法——基于多变量预测模型的模式识别（Variable predictive mode based class discriminate，简称VPMCD）方法，同时已在生物学上得到应用。该方法的实质就是充分利用特征值之间的内在变量关系，针对不同的系统或类别，建立反映类别特征值之间关系的数学预测模型，从而利用这些数学预测模型对被测试样本的特征值进行预测，以预测误差平方和作为判别分类依据，进一步进行模式识别。由于所建立的模型含有非线性模型，可以解决多变量描述的非线性系统模式识别问题，因此本文将VPMCD方法引入旋转机械故障诊断中，采用VPMCD作为分类器对旋转机械的工作状态和故障类型进行分类，并对VPMCD本身进行了较为全面地研究，提出了改进的VPMCD方法。通过实验数据的分析结果表明，VPMCD及其改进的VPMCD方法可以有效地应用于旋转机械故障诊断当中。本文主要研究内容如下：1.介绍了目前应用比较广泛的模式识别方法，讨论了它们的基本分类原理和主要优缺点，并在此基础上引入多变量预测模型模式识别方法。通过探讨VPMCD的基本原理及应用，证明了该方法应用的可行性。2.将VPMCD方法应用于旋转机械故障诊断中，并且与局部特征尺度分解（Local characteristic-scale decomposition，简称LCD）降噪方法、模糊熵特征提取方法相结合。通过实验数据分析，相对于神经网络和支持向量机等模式识别方法，VPMCD避免了神经网络的迭代学习和支持向量机的寻优过程，大大减少了运算量，缩短了分类时间。另外，VPMCD中预测模型的建立本质上是参数估计的过程，从而避免了神经网络中结构和类型的选择，以及支持向量机中核函数和参数的选择。因此，VPMCD模式识别方法受主观因素的影响较少，所得分类结果更客观、更准确。3.针对所提取的特征值中含有不相关性、较小相关性和冗余特征值，对所提取的特征值通过基于Wrapper模式的距离评价技术（Distance evaluation technique，简称DET）方法进行特征选择，剔除了不相关性、较小相关性和冗余特征值，从而选出对类最敏感的特征值。另外，VPMCD是采用最小二乘回归拟合参数，而最小二乘法本身存在一些固有的缺陷，使得建立的预测模型达不到分类要求，本文采用稳健回归代替最小二乘回归进行参数估计，避免了最小二乘的缺陷，从而可以得到比较真实的预测模型。4.将逐步回归应用于VPMCD进行模式识别，通过对变量的逐个加入或者删除，把所有对模型显著的特征保留下来，不显著的予以剔除，从而利用嵌入式同时实现特征选择和建模分类两大功能。另外，VPMCD对于神经网络和支持向量机最大的优点就是当特征值较少时的时效性，但是特征值较多时，VPMCD就不具备时效性，即维数较高的特征量具有较低的效率，不利于在线诊断的进行，基于逐步回归的VPMCD可以有效地解决特征维数较高时对VPMCD的影响。5.将拉普拉斯特征映射算法（Laplacian Eigenmaps，简称LE）和Kriging函数应用于VPMCD进行模式识别，对所提取的高维特征通过LE流形学习方法进行特征压缩，得到具有内在规律性的低维特征，这些低维特征恰好符合VPMCD的建模原理，且保留了信息的本质特征，有利于故障的诊断。另外，将Kriging函数应用于VPMCD中，当特征集中数据之间的关系较为复杂时，原VPMCD中四种回归模型很难准确建立预测模型，而基于Kriging函数的VPMCD方法采用以回归模型为主，相关模型为辅，从而可以建立更加真实地预测模型。因此，将LE流形学习、Kriging函数和VPMCD三者结合起来，可以有效地提取特征、建立模型和模式识别。6.将增量式和半监督理论应用于VPMCD模式识别方法中。增量式半监督VPMCD模式识别方法通过三阶段的学习，筛选出伪标识样本参与VPMCD训练，有效地解决了小样本情况诊断的缺陷；通过半监督学习，使得VPMCD充分利用未知样本中的有用信息，使得建立的预测模型更加真实，有效地提高了识别精度。另外，由于利用小样本建立的预测模型属于诊断前的前处理阶段，而增量式半监督VPMCD只是引入伪标记样本对模型的更新，大大缩短了分类时间，从而为在线诊断提供了可能。通过理论分析、仿真数据及实验数据验证，结果表明了该方法的有效性。