围绕着如何实现潜艇上各种机械设备的振动状态监测与预测,选取了监测与预测的振动特征参数,并对聚类分析、判别分析、T 2统计过程控制、AR(n)时间序列分析和GM(1,1)灰色预测等技术在机械振动状态分类、状态识别、状态评估阈值生成、机械振动状态预测等问题中的应用进行了研究。作者首先阐述了选取特征参数的原则,比较了获取特征参数的方法对硬件运算能力的要求,为了缩短系统反应时间,选取了1/3oct振动加速度谱作为特征参数。研究了聚类分析和判别分析在在机械振动状态分类和识别中的应用。提出利用系统聚类方法和距离判别法进行状态分类和识别,阐述了分类过程中分类个数确定的办法、判别误判率的估计方法、判别效果的检验方法。研究了利用多元统计技术建立机械振动状态评估阈值的问题。介绍了建立T 2控制图对机械设备运行状态进行监测的方法,并选用T 2统计量的庞弗罗尼置信区来判断机械设备出现异常时应对此负责的特征分量,为后续的故障诊断选用合适的频段提供了参考信息。在机械振动状态的预测方面,研究了AR(n)模型和GM(1,1)灰色预测模型。阐述了如何建立AR(n)模型,包括最小二乘估计法、Levison参数递推算法以及建立在递推最小二乘估计法基础上的解决数据饱和问题的实时估算法:渐消记忆法和限定记忆法。阐述了GM(1,1)灰色预测模型的建立过程,以及利用残差序列建立GM(1,1)模型进行预测值修正来提高预测精度的方法。在数据处理方面,系统介绍了数据变换方法、正态性检验方法、离群值判断方法、时间序列平稳性检验方法,以及根据分类结果和显著性水平要求,确定样本容量的方法。进行了实验设计,制订了实验方案和实验内容。进行了状态分类与识别的实验验证。