状态监测和故障诊断对于维护并保障设备安全运行具有重要意义。目前,智能故障诊断系统大多需要基于已有类别标识的历史数据建立分类识别模型,但在工业实际生产过程中,尤其对于昂贵的重型装备而言,由于其高可靠性设计,故障数据较少,因此获取装备不同状态模式下的监测数据非常困难,常常存在缺乏性能数据和先验知识的问题,如正常样本数据不足、故障样本数据稀缺以及故障模式不完备等问题。针对上述问题,本文提出了基于单类学习的异常检测方法:利用单类正常数据样本完成对设备的异常状态检测,并随着生产过程中获取的数据,逐步建立完整的诊断系统。针对异常检测方法在设备状态监测和诊断中应用时面临的三个关键问题:缺乏针对具体研究对象的特征选择技术;缺乏更为准确和鲁棒的异常检测模型;缺乏检测未知状态的在线诊断系统,深入研究了相应的解决方案和关键技术,开发了基于特征评估的异常检测算法、基于混合集成的异常检测模型以及基于进化学习的异常检测系统等关键技术,在此基础上,提出了基于单类进化学习的异常检测集成智能诊断系统的整体流程和实施策略,并以重型轧辊磨床为研究对象,在其关键部件的性能状态监测中进行了实际应用验证。主要研究工作包括:(1)针对如何在样本类别缺失下选择有效特征的问题,提出了基于支持向量数据描述(SVDD)的特征评估技术。在此基础上设计了基于特征评估的异常检测算法,并将该算法在轴承的状态检测中进行了试验验证,结果表明,特征评估技术能够选择出可有效区分不同状态的敏感特征,去除那些效果较差甚至影响准确率的不敏感特征,最终达到提高异常检测算法性能的目的。(2)针对如何提高单一的检测算法的准确性、稳定性和实用性问题,提出了基于混合集成的异常检测模型,构建了多种异常检测算法混合集成的检测模型,设计了相应II的混合算法和集成准则,提出了检测模型实施的基本流程,并将其在轴承的状态检测中进行了试验验证。结果表明:当用于检测的特征敏感性较差,单一的检测器性能偏低时,基于加权集成的混合检测模型的检测性能得到了很大的提升。(3)针对现有的诊断系统无法应对随着获得的数据和状态类别的增多,而面临的未知状态的检测问题,提出了基于进化学习的异常检测系统。设计了一种集成异常检测与有监督学习分类器的进化式智能诊断系统,即使在仅有正常工作状态的数据时,该系统仍可以通过自我进化学习,逐步建立起对未知状态的诊断能力。将解决单类分类问题的异常检测方法扩展到多类分类问题,并将该系统在轴承的状态检测中进行了试验验证。结果表明:该系统利用构建的单类检测器,可以实现对未知故障类别的异常检测以及自身的进化升级,并在需要时利用有监督式学习分类器的辅助仲裁功能,完成对多类故障的识别。(4)针对重型轧辊磨床关键部件的状态监测需求,设计了由现场监测级、远程服务级以及多方应用级组成的状态监测和诊断系统,同时对其关键部件设计了具体的监测方案并提出了异常检测集成诊断系统的实施策略。在实际应用中,在仅有正常状态数据的情况下,有效地检测出了由于磨床头尾架顶尖不对中而引起的顶尖滑动超差的异常情况。关键词:异常检测,支持向量数据描述,进化学习,故障诊断,重型装备,状态识别