激光粉末床熔融（laser powder bed fusion, LPBF）技术作为金属增材制造领域的前沿工艺，已被成功应用于航空航天等高端制造领域。然而多物理场强耦合效应易引发熔池动态失稳，导致制件内部孔隙缺陷频发，严重影响成形质量稳定性。传统监测手段受限于成本高、部署困难等瓶颈，难以满足工业化生产需求。为此，提出声发射-深度学习融合的在线监测与内部质量智能判别方法。研制了基于声发射传感器的LPBF过程在线监测系统，通过工艺过程全周期声发射信号监测揭示声发射信号特征与成形质量间的映射规律，构建了包含逾8万组样本的熔池声发射数据。针对熔池微弱波动特征提取难题，构建了基于自适应傅里叶神经算子（AFNO）的频域特征提取网络和Kolmogorov-Arnold网络（KAN）的高维特征映射分类器，通过多尺度时域特征融合机制解析熔池动态特性，并借助高维流形精确映射高维特征，实现了声发射信号中微弱波动特征的增强表征和高精度质量判别。试验结果表明：研制的监测系统可有效捕获熔池的动态行为，所提方法质量判别精度达97%以上。

液体火箭发动机涡轮泵在强非平稳工况下运行，导致传统振动信号分析方法难以有效提取故障特征。为应对这一挑战，本文扩展了循环平稳随机信号模型，构建了广义循环平稳分析理论框架，既保留了循环平稳方法在故障诊断中的优势，又拓展了其在非平稳工况下的适用范围。围绕振动信号模型、故障特征提取以及表征三个方面，提出了一种服务于火箭涡轮泵故障诊断的广义循环平稳分析框架。通过火箭涡轮泵超低温轴承运转试验以及离心泵空化故障特征模拟试验，验证所建立的理论体系的优越性和有效性。结果表明：旋转机械的振动信号可视为时间翘曲的近似循环平稳过程，并可进一步转化为调制循环信号；在火箭涡轮泵超低温轴承运转试验中，运用所提出的盲自适应循环非平稳信号提取方法获取故障特征信号，在其阶次-频率谱相关图中能够清楚地检测到与保持架相对外圈频率（0.42 Hz）和滚动体通过外圈频率（5.08 Hz）对应的谱线；在离心泵空化故障特征模拟试验中，所提出的高精度重排谱相关估计技术加强了谱相关图关于泵叶片通过频率（197 Hz）的定位性能，并且随着空化程度的增加，在大量噪声的情况下仍然能够识别故障特征。

随着工业4.0背景下智能装备复杂性和运维需求的日益提升，传统维修决策方法在动态环境下的适应性不足问题逐渐凸显。基于强化学习的维修决策技术通过与环境交互实现策略自主优化，为装备智能维护提供了一种范式。本文聚焦1954至2024年间发表的76篇文献，系统探讨了强化学习理论与维修决策的融合路径。本文深入解析了强化学习的SARSA、Q-Learning、Actor-Critic等核心算法；分析了装备智能维修决策技术现状；从工业制造、能源、航空航天和交通运输四个方面剖析了强化学习在装备维修决策中的典型应用场景；揭示了当前技术在算法收敛速度和计算效率、模型可解释性、以及数据获取及隐私问题等面临的核心挑战。本研究为智能运维领域的算法创新与工程落地提供了理论参考，有助于推动强化学习在装备维修决策中的深度应用。

针对当前飞机复杂运动机构的故障诊断研究多侧重于系统功能失效分析，对机构运动特征与实际故障之间关联机制解析不足的问题，开展了复杂运动机构故障诊断方法研究。提出一种数据生成、特征处理以及数据分析三层展开的故障诊断分析体系。从复杂运动机构的运动规律和性能出发，确定典型故障工况的参数映射关系，基于动力学模型引入故障参数体系实现典型故障工况时序信号样本集的生成；使用二维图像转换方法对一维时序信号进行映射，建立特征级融合的多维张量；依托深度学习算法实现复杂运动机构的故障精准诊断。以建立的方法体系为基础设计基于格拉姆角场和马尔可夫变迁场方法的协同特征转换，以及引入通道、空间注意力机制的残差网络故障诊断模型。以起落架下位撑杆锁机构为例完成试验验证，仿真试验结果表明，所提出的方法在95%置信度下的准确率不低于0.9566，验证了方法在飞机复杂运动机构故障诊断应用方面的可行性；消融试验结果表明，所提方法表现最优，验证了方法设计的有效性。

为有效识别和定位航空发动机附件管路中的卡箍松动等振动故障，本文提出了基于附件管路动力学响应和传递函数的诊断方法。根据结构相近和动力学相似原则建立了故障附件管路的动力学模型和方程，其中故障的影响通过作用于管路相应位置的附加非线性力模拟。通过结构动力学分析，推导并确定了动力学响应与故障出现及其位置的对应关系，提出了基于传递函数的故障诊断方法，并归纳了方法的具体操作流程。通过试验测试案例验证了所提故障诊断方法的有效性和实用性。理论分析和测试结果表明，所提故障诊断方法可以准确地识别和定位航空发动机中附件管路卡箍松动故障是否出现以及出现后的具体位置。同时，该诊断方法适用于附件管路中单个卡箍松动故障以及多个卡箍松动故障的情况。

叶片作为航空发动机核心部件，其结构完整性直接决定发动机的性能与飞行安全。在高温、高压及高速旋转等极端工况下，叶片易在复杂应力场作用下产生微裂纹，一旦裂纹扩展、叶片发生断裂，将引发连锁破坏，构成重大安全隐患。基于损伤容限理念，叶片在出现裂纹后仍能维持安全运行的临界时长被界定为剩余寿命（remaining useful life，RUL）。为此，本文提出一种基于Paris裂纹扩展定律与物理信息神经网络（physics-informed neural network，PINN）融合的机理-数据双驱动的剩余寿命预测方法。该方法通过构建包含物理约束的损失函数，对神经网络梯度进行正则化约束，在实现裂纹扩展参数逆向辨识的同时，有效提升了模型在有限监测数据条件下的预测准确性。针对航发叶片与CT试样，相较于传统物理模型与数据驱动方法，本文方法动态更新特征参数以适应系统的变化，在有限样本条件下的预测误差显著降低。此外，本文所构建的PINN模型具有轻量化特性与快速推理能力，可以满足在线监测与预测性维护的需求，为航空发动机健康管理和智能运维提供了一种技术路径。

针对轴承在变工况下样本分布不同、故障样本少和一些小样本算法特征提取有限，导致轴承故障诊断精度低及模型泛化能力弱的问题，提出了小样本下嵌入压缩、激励的残差网络（SE-ResNet）与元迁移学习（MTL）的变工况轴承故障诊断方法。将采集的不同工况下轴承一维振动信号通过连续小波变换（CWT）转换成对应工况下的时频图像，从而将轴承故障诊断问题转换为图像识别问题；引入压缩-激励注意力机制，构建了一种SE-ResNet的骨干网络模型，以聚焦于更有效的特征通道，增强特征提取表征能力；借助迁移学习能提供良好的深层网络初始参数和元学习能快速学习的优势，依次进行预训练与元迁移训练，得到利用少量样本微调便能达到高精度的元迁移网络，进而实现变工况下轴承的故障诊断；通过两个基准数据集和实验室搭建的轴承故障模拟试验台进行验证，并与其他方法进行对比分析，结果表明，所提方法在小样本、变工况下对轴承故障诊断具有更高的识别精度和泛化性能。

轴承作为转向架的关键部件之一，对其进行早期故障检测尤为重要。提出一种基于关系网络（relation network，RN）的轴承早期故障检测方法。设计了一种可以有效提取轴承状态特征、度量特征间非线性距离的健康状态检测关系网络模型。离线建模阶段，获取待检测轴承离线正常样本进行训练，学习健康状态样本特征之间的非线性距离；在线检测阶段，获取当前运行状态样本进行检测，得到关系得分作为轴承状态的健康指标。利用3σ准则得到健康指标的健康阈值，用以检测轴承的健康状态，及时发现故障。在XJTU-SY滚动轴承全寿命数据集上进行试验，试验结果表明，与均方根、峭度、堆叠自编码器等方法相比，本文方法所得健康指标对早期故障更为敏感，并且具有更好的单调性与趋势性；与孤立森林、支持向量机、堆叠自编码器等方法相比，本文方法所得首次故障时间更早，具有一定的应用价值。

针对轨旁信号难以完全表征车轮信息和车轮损伤难以定位与量化的问题，提出一种多传感器数据融合算法和改进卷积神经网络（CNN）的车轮踏面缺陷识别方法。基于多体动力学和有限元理论构建车辆-轨道动力学耦合模型。通过布置较少的传感器，进行多模态特征的提取，对车轮几何特征、车速等参数进行了数据融合的算法优化。基于1D-CNN和2D-CNN提出改进的CNN模型。同时，将频域特征和图像特征进行数据融合，并提出考虑融合特征的CNN算法模型。对重构信号进行缺陷特征提取，并利用改进的CNN融合数据特征实现车轮损伤识别。结合比例车辆试验平台，并利用仿真数据和实际算例验证提出方法的有效性。在不同信号测试集和数据特征下，对CNN、BP神经网络（BPNN）和支持向量机（SVM）的损伤识别效果进行对比分析。结果表明：所提损伤识别模型可以更好地识别车轮踏面缺陷，识别结果与实测结果有很好的一致性；将不同维度的数据特征进行融合，可以表征不同损伤程度下的缺陷并提高识别效果；能够解决轨旁数据不能完整重构车轮状态等问题，为车轮缺陷的在线损伤识别提供技术支撑。

针对深度神经网络可解释性低及目前可解释网络无法实现跨域诊断的问题，提出了一种可解释三特征提取器迁移网络（interpretable triple feature extractor transfer network，ITFETN）。针对可解释性问题，建立了多层稀疏编码模型，推导了多层稀疏编码模型的迭代求解算法，通过展开快速迭代软阈值算法，得到稀疏编码模型求解算法的等效网络形式，并将其作为特征提取器，形成具有可解释性的算法结构等效网络；针对跨域迁移诊断问题，构建了三特征提取器策略用于提取源域、目标域的共享特征以及各自的私有特征，并基于特征对抗思想设计了迁移诊断任务的损失函数用于ITFETN的有效训练，有效提取出源域和目标域中距离最小化的共享特征进行跨域诊断，实现可解释迁移诊断任务。试验结果表明，ITFETN在两个实例分析中的平均准确率和鲁棒性相较于对比方法均有所提升，能够有效实现具有可解释性的跨域诊断。

在工业大数据与智能制造背景下，数据驱动的智能故障诊断技术已被视为保障高端装备安全可靠服役、实现装备健康管理与智能运维的关键赋能技术。针对现有智能故障诊断模型无法兼顾诊断精度优越性、强抗噪鲁棒性、高效计算效率与强超参数稳健性的问题，提出一种谱集成稀疏识别模型驱动的超鲁棒智能诊断方法。所提方法设计了基于级联分割算子的振动数据增强策略，以提升振动数据样本的数量与质量；利用振动信号的频谱特征实现字典原子设计，并构建了考虑谱特征融合的谱集成字典设计策略，提升谱稀疏表示字典的重构功能；构建了基于谱稀疏近似误差最小准则的智能识别策略，实现测试样本健康状态的智能诊断。运用所提方法在行星齿轮传动系统故障数据集上开展了试验验证，结果表明，所提智能诊断方法可以实现优越的诊断精度、强抗噪鲁棒性、高效计算效率以及强超参数选择稳健性的优势集成，诊断结果优于现有方法，在数据驱动的工业设备智能故障诊断方面展现出重要应用前景。

工业机器人关键部件在复杂运行工况下易发生早期性能退化，通常表现为强非稳态响应特性与多通道感知信号的显著异构性。传统诊断方法难以有效融合多源信息，鲁棒性与可解释性难以兼顾，部署适应性亦较为有限。本文聚焦工业机器人传动链路中的关键减速机构，提出一种融合物理敏感性驱动与残余感知补偿机制的双通道智能诊断方法。所选振动与扭矩信号分别表征结构响应与驱动激励，具备显著的时间尺度差异与物理信息互补特性，为多源融合建模提供了明确的物理建模依据。从物理响应机理角度构建“故障类型-动态响应特征-感知通道”的三层映射关系，量化不同信号在典型故障模式下的主导性差异；设计基于信噪比、调制指数和峰度的多尺度敏感性评估机制，引导多通道信息的自适应融合权重分配；同时引入残余感知不确定性补偿（RUC）机制，有效提升弱主导通道特征的表达能力，增强融合稳定性与诊断完整性；搭建了具备物理解释性和轻量化特征的诊断模型框架。基于公开齿轮箱数据集在多类典型故障模式下开展试验，结果表明，所提方法在多类故障识别任务中表现出更高的诊断准确性、可解释性与部署适应性，展现出面向工业机器人关键部件物理一致性融合诊断的良好理论依据与工程应用潜力。

轴承振动和温度信号蕴含丰富的故障特征信息，是重载机车牵引电机轴承状态检测与故障诊断的重要基础与判断依据。建立了基于车-轨耦合的重载机车牵引电机轴承热振耦合动力学模型，考虑滚子与滚道及其缺陷区域间的非线性法向接触与切向摩擦作用，研究了电机轴承滚道缺陷故障对牵引电机热振耦合特性的影响，构建了缺陷宽度与振动响应、轴承温升间的映射关系。研究结果表明：当缺陷宽度达到1 mm时，振动信号频谱图可表现出明显的故障特征频率；频域统计指标均方根频率在整个缺陷宽度变化范围内呈上升趋势，频率标准差对早期缺陷更为敏感；均方根值、峭度值等振动信号时域统计指标对外滚道缺陷较为敏感；内滚道缺陷导致牵引电机轴承迅速升温，易引起温升报警。

机械装备在长期服役过程中将持续新增故障模式，这对故障诊断模型的持续学习与智能诊断能力提出了更高要求。类增量学习驱动的终身智能诊断技术为高端装备全寿命安全服役保障提供了一种途径，但现有类增量学习方法难以解决跨工况条件下高效增量迁移诊断的难题。为此，本文提出元类增量迁移学习驱动的跨域终身智能诊断方法。通过集成深度残差网络与卷积块自注意力特征融合模块，设计了增强型特征提取器，实现通道和空间维度的深度特征提取与融合；结合特征级与决策级知识蒸馏机制，构建了多级知识蒸馏策略，解决增量迁移诊断场景下的灾难性遗忘难题；将元学习思想融入类增量学习框架，提出了元类增量参数学习机制，提高模型的增量迁移诊断泛化性能。开展了列车传动系统故障试验验证，结果表明不同增量迁移诊断场景下所提方法的平均诊断精度为94.96%，平均遗忘率为3.85%，优于前沿类增量学习方法，为实现高端装备全寿命周期健康管理的终身智能故障诊断提供了见解。

行星滚针轴承中打滑率与滚道表面质量会相互影响，滚道早期局部故障的扩展会影响保持架打滑率与服役性能。针对这一问题，建立考虑滚道局部故障的行星滚针轴承打滑动力学模型，分析滚道表面局部故障尺寸对轴承打滑率的影响规律。根据滚道局部故障的形态特征，分段表示滚动体通过滚道表面局部故障过程的位移和摩擦系数，并将位移激励模型与摩擦系数的分段表征模型集成到打滑动力学模型中，研究局部故障宽度和深度对保持架打滑率的影响规律。结果表明，轴承内、外圈滚道发生局部故障时，对应位置的摩擦系数会显著增大，内、外圈滚道局部故障对保持架打滑率的影响差异较大。当内、外圈滚道局部故障宽度增大时，保持架打滑率增大，而局部故障深度对保持架打滑率的影响较小。

希尔伯特共振解调技术(HRD)广泛应用于轴承故障诊断。在利用包络幅值谱评估降噪方法优劣时，可能会把HRD产生的影响归因于降噪方法。工程中测试条件与分析参数的选取通常依靠经验，选取不当易引发故障漏诊。针对这些问题，通过构建轴承外圈故障振动响应的故障信号模型，定量分析故障信号的希尔伯特共振解调过程，揭示了信号参数与包络幅值谱的映射关系；通过分析固有频率、阻尼比和转速等系统物理参数对信号参数的影响，明确了系统物理参数与包络幅值谱分布的对应关系，为HRD的应用提供了更为明确的理论依据。利用HRD处理仿真振动信号，仿真结果与理论推导一致；并通过试验验证了基于HRD解调机理的分析结论。

行星轮轴承运动涉及自转和公转耦合，故障振动信号复杂微弱，给故障诊断带来严峻挑战。在时变转速工况下，齿轮啮合振动与行星轮轴承故障振动的频率特征交叉重叠，严重干扰行星轮轴承故障诊断。为解决该问题，提出非平稳信号阶频谱相关分析方法，消除振动信号的时变低频幅值包络并进行角域重采样，使齿轮分量的阶次特征保持平稳。应用阶次域离散随机分离、消除齿轮振动分量，保留残余的随机分量。对随机分量逆角域重采样，恢复原始幅值包络，并通过阶频谱相关或阶频谱相干提取行星轮轴承故障特征。该方法增强了行星轮轴承故障特征，提高了时变转速工况下行星轮轴承故障诊断能力。通过仿真信号分析了方法原理，通过行星轮轴承故障试验成功诊断了行星轮轴承内/外圈和滚动体局部损伤故障，验证了方法的性能。

传感器测点优化布局对于机械设备状态监测、故障诊断及健康管理具有重要意义。聚焦于齿轮传动系统，研究一种基于箱体模态及频响函数有效独立分析的振动测点优化布局方法，并采用优化测点融合的信号进行齿轮传动系统振动监测。建立齿轮传动箱体动力学模型，进行模态分析获取箱体模态振型，利用模态振型进行有效独立分析得到初始测点布局；通过谐响应分析获取初始测点关于主要轴承座处的频响函数，基于主成分分析及有效独立分析进一步优化测点，并选取对齿轮故障激励更加敏感的优化测点；基于优化测点重要性权重进行频谱加权融合，利用融合频谱实现对齿轮传动的振动监测。通过对锥齿轮传动试验台实测数据分析表明，相比任意测点组的融合频谱，优化测点组的融合频谱整体响应幅值较大，对齿轮传动的运行状态监测效果更好。

最大相关峭度解卷积（maximum correlated kurtosis deconvolution, MCKD）以相关峭度作为解卷目标，能有效提取兼具周期性和冲击性的机械故障特征，是当前解决滚动轴承故障诊断问题的常用手段。然而，MCKD性能的发挥严重依赖先验故障周期信息，而且现有的解决方案也只关注于迭代周期的估计，难以在低信噪比条件下奏效。为此，提出了一种周期精炼的最大相关峭度解卷积（period-refined MCKD, PRMCKD）方法，借助时域同步平均（time synchronous averaging, TSA）方法进行迭代周期的精炼以用于解卷，能在强噪声情况下准确提取微弱的轴承故障特征。该方法利用滤波器组进行共振频带的初步定位，以明确解卷方向；以相关峭度为目标函数，基于TSA技术精炼出的周期信息，迭代求解最优滤波器系数；通过滤波信号中的故障特征实现滚动轴承故障定位。仿真与试验分析结果表明，所提PRMCKD方法相比传统解卷积方法在滚动轴承微弱故障特征提取方面更具优势。

电机电流监测系统凭借非侵入式、成本低的优势受到了广泛关注，但常用的电流频谱分析容易受到固有谐波以及安装误差的影响，并且高幅值基频会弱化故障特征。为了揭示齿轮故障导致的啮合刚度降低对电机电流频率调制的影响规律，建立了包含故障齿轮啮合刚度的电机电流模型，并推导了瞬时频率表达式。针对传统时频分析方法瞬时频率估计精度低的缺点，提出了基于高阶同步压缩变换（HSST）的瞬时频率极坐标视图方法，用来提取齿轮故障特征。该方法通过检测与故障齿啮合周期同步的频率调制特征来直观地展示齿轮箱故障，避免了固有谐波和基频的干扰，具有齿轮故障特征的唯一性。通过对RV齿轮箱实验台的电机电流信号分析，验证了所提出电机电流模型与故障特征分布规律的准确性，以及基于HSST的瞬时频率极坐标视图的齿轮箱故障诊断方法的有效性。

针对齿轮系统中质量偏心与时变参数耦合作用引起的非线性振动问题，建立了考虑动态啮合刚度与时变齿侧间隙的六自由度动力学模型，重点分析质量偏心对系统非线性动力学行为的影响机制。基于势能法构建了时变啮合刚度模型，引入时变齿侧间隙与质量偏心，推导出系统动力学微分方程。数值分析结果表明，质量偏心显著诱发系统由单周期向多周期（如20倍周期）运动演化，且随着偏心距的增大，系统振动幅值和分岔现象明显增强，揭示了其在系统非线性演化过程中的关键作用。研究结果可为高精度齿轮系统的结构优化设计与振动控制提供理论依据。

齿轮传动系统是重大装备动力传递的关键，然而传动系统易发生多样且难以预判的故障，影响装备的运行安全与服役可靠性。针对齿轮传动系统在实际工程应用中的故障样本缺失及故障位置未知等问题，提出了模式分量能量特征赋能的无监督故障溯源方法。该方法通过提取与传动元件故障机理相关、具有明确故障定位指向性的模式分量能量特征，赋能无监督异常检测与可解释故障溯源。具体地，使用所提特征构建无监督数据描述模型，并引入归因解释方法量化各特征对异常判定结果的贡献度，从而在无故障样本条件下，实现齿轮传动系统故障元件的可解释溯源。在直升机主减速器行星级台架与装甲车辆传动装置整机台架上，分别进行单一故障与复合故障溯源验证。试验结果表明，所提方法在无故障样本训练情况下，可以实现准确的传动元件故障溯源。本方法为齿轮传动系统在缺乏故障数据情况下的故障溯源提供了有效解决途径，具有工程推广价值与实际应用潜力。

行星齿轮传动系统广泛应用于工业领域, 由于其结构紧凑、复杂，长期服役时机械部件易发生故障。行星轮系结构与运动形式远比定轴轮系复杂，基于固定测点的振动状态监测技术面临多激励源并存和传递路径时变的挑战，难以满足复合故障诊断需求，特别是行星轮早期故障与轴承故障耦合时。为解决此问题，提出了利用激光多普勒测振技术的非接触扭振监测与残余振动分析方法。将激光入射点设置在低速轴表面，直接获取轮系扭振信息。为减轻测量噪声对故障特征提取的影响，提出了基于倒谱分析的软阈值编辑和中值滤波方法，分别抑制伪振动和随机性脉冲噪声。针对复合故障的不同特点，逐步剥离扭振信号中的残余宽带响应与残余啮合边带分量，一方面，对倒谱短通得到的宽带响应进行优化滤波，以提取轴承故障的二阶循环平稳特征；另一方面，提出了基于相位自解调的阶次域重采样方法，通过重构不同阶的啮合边带残余信号，以凸显齿轮故障特征。通过行星轮齿面剥落与太阳轮轴承滚道剥落故障注入试验，证明了所提方法可有效实现行星轮系复合故障的非接触诊断，与经典柔性同步平均法和箱体振动信号的分析结果相比，所提方法在不同转速下对行星轮早期故障的识别效果更优。