随着中国制造2025战略的提出,机械设备结构日趋高精尖、集成与智能化。机械设备内部以及设备之间互相紧密连接,一旦其中关键零部件出现故障,设备的运行状态将会受到影响甚至崩溃,进而导致巨大的经济损失甚至是人员伤亡。为了预防这种严重后果,机械状态监测技术被提出并得到了不断的发展。由于机械设备通常运行于复杂工况下,受时变载荷或者环境因素的影响其运行状态会处于波动状态,从而导致采集的状态信号呈现出非循环平稳性(准周期信号)。由于传统的监测方法都是基于转速稳定的假设,即符合严格的一阶循环平稳性,从而导致这些方法对此类信号中存在的随机调制现象无能为力,因此对复杂工况下的设备进行异常状态监测技术研究具有重要的工程应用价值。为此,本文以机械的振动响应为基础,分别从信号处理、建模分析和状态识别等方面进行了 一系列的研究工作。1)本研究首先阐述了机械状态监测的背景和意义,并对其包含的主要步骤和所用到的技术进行介绍,其中着重分析了健康信息提取步骤中非平稳信号处理技术的国内外研究现状并进行总结。2)基于机械的物理结构与运动学性质,对其振动响应进行分析。然后从信号的循环平稳性入手,确定了基于平均时间曲线的机械异常状态监测框架。进一步地,对一阶循环平稳性信号在复杂工况的调制过程以及其所导致的准周期性进行分析,提出了一种新的基于相位对齐的时域同步平均方法,用于准周期信号下的时间平均曲线提取。3)引入动态时间规整技术,基于其最优弯曲路径具有的特征对齐性质具体实现了适用于准周期信号的时域同步平均技术,并通过模拟和实际振动信号验证该方法所提取的时间平均曲线的有效性。基于上述工作,进一步地设计了异常度量和异常决策从而形成一套完整的机械状态监测方法。4)将所设计方法应用于典型的旋转机械工程应用中,并与四种常见的异常状态监测方法进行比较。对监测结果进行分析,采用机器学习中分类任务常用的指标(查全率、查准率、Fβ)对算法性能进行综合评价,实验结果验证了所设计方法的有效性和优越性,并表明其:(1)纯数据驱动,不需要特定硬件的支持;(2)不需要参考模型和先验知识;(3)可以实时在线监测,因此该方法适用于实际工程应用。