针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题，提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络（LSTM）的旋转机械退化趋势与退化区间预测方法。以振动信号为例，首先提取表达设备退化信息的特征指标，然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界，其次利用动态LSTM进行综合性能退化预测；最后，利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。

针对噪声环境下滚动轴承故障难以诊断的问题，提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network，AMCNN）的轴承故障识别新方法。首先，对滚动轴承振动信号进行预处理，得到数据样本，分为训练集和测试集；然后建立轴承寿命状态识别模型，将标签化的训练集数据样本输入AMCNN中进行训练；最后，将训练后的AMCNN模型应用于测试集，输出故障识别结果。在训练过程中，为抑制过拟合，对原始训练样本进行加噪处理；为提高模型抗干扰能力，将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验，通过对比验证，结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。

角度头是数控机床必不可少的加工附件，由于长期处于恶劣的加工工况下，极易受到损坏。采集角度头的振动信号时，环境中大量的随机噪声会湮没故障特征信息，从而造成角度头故障特征提取困难。针对此问题，提出了一种基于总体平均经验模态分解（ensemble empirical mode decomposition，EEMD）及自相关的双重降噪方法。该方法采用自相关滤波方法对振动信号进行降噪预处理，再对降噪后的信号进行EEMD分解，随后采用遗传算法对EEMD输入参数优化，依据相关峭度系数准则筛选分解得到的固有模态函数（intrinsic mode function，IMF）分量进行信号重构。最后，对重构信号进行时频分析，提取角度头故障特征。对仿真和实测信号分析的结果表明，本文方法能够有效抑制噪声干扰，可准确提取到角度头的故障特征信息，为机床角度头的故障诊断提供依据。

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性，导致传统单特征门限报警法的报警准确率较低。针对该问题，提出一种基于无限学生t混合模型（infinite student's t-mixture model，iSMM）聚类的机械故障预警方法：首先，通过提取机械振动信号特征构建高维特征空间，并采用iSMM对其进行建模，以描述机械设备的状态；其次，利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离；最后，将该距离与基于3σ准则自学习出的报警阈值进行比较，实现故障预警。利用往复式压缩机故障案例对所提方法进行验证，结果表明本文方法较单特征门限报警法报警准确率高且时效性好，可有效地对复杂机械进行故障预警。

在石油、化工、核电等管道系统中存在大量T型管道，由于其主支管流体的流量及温度存在差异导致产生湍流穿透现象，引发T型交汇处温度与速度场波动，进而可能诱发管道热疲劳问题。首先使用大涡模拟（LES）方法计算湍流穿透工况下管道内流场各物理量的时空演变规律，结果表明在支管轴向无量纲高度H=4截面处温度波动最为强烈；然后建立瞬态热流固耦合计算过程，将面压力与体温度动态加载到固体域，得到管道应力分布情况，找出危险点所在位置为轴向H=0截面内壁面；最后使用雨流计数法对危险点应力波动信息进行统计学分析，依据Goodman曲线得到等效对称循环载荷，根据线性疲劳损伤累积准则对危险点疲劳寿命进行评估，最终得到管道的疲劳寿命。

在设备运行过程中，管道经常会产生振动问题，给设备的安全运行带来严重的隐患。针对管道振动问题，采用主动阻尼装置，通过惯性作动器向振动管道系统施加作动力，实现了对管道振动的主动控制。以某化工企业往复式压缩机出口管线25 Hz的振动为例，搭建门型管道振动实验台进行实验，利用SAP2000软件模拟仿真了主动阻尼装置的减振效果。实验研究了惯性作动器在不同安装位置时主动阻尼装置对管道振动的控制效果，探究了惯性作动器的安装位置对管道系统振动控制效果的影响规律。通过对比惯性作动器安装在所选取的4个位置时的减振效果，得出当作动器安装在振动最大的位置上时，主动阻尼装置对管道整体的减振效果最好。