本论文来源于四川省科技厅项目:2019四川省智能制造与机器人重大科技专项“智能钻机研制及应用”。石油钻井泵是石油钻机的核心设备,为了监测钻井泵的运行状态,保障石油钻机安全可靠运行,本文开展对石油钻井泵的健康状态评估和剩余寿命预测的研究,对石油钻井泵进行准确合理地健康管理,以实现石油钻井泵的主动维护,这对减少经济成本和提高石油钻机运行的可靠性与安全性具有重要意义。本文主要完成工作如下:首先,考虑到石油钻井泵振动信号非线性、非平稳的特点,本文在有限条件下提取钻井泵振动信号中的特征信息。首先针对钻井泵核心部件多且间距小的问题分析振动信号的测点位置,然后提取振动信号的时域和频域特征。针对振动信号频率成分复杂的特点,将其进行经验模态分解并进一步提取模态分量的时-频特征,在所有时频域特征的基础上构建高维多域特征集以描述石油钻井泵的健康状态。然后,针对上述振动信号的高维特征存在相关性和冗余的问题,本文用改进的局部切空间排列算法（Local Tangent Spatial Algorithm,LTSA）对高维特征降维。算法中利用标签信息和局部集系数,动态构建数据点邻域以减小不同类别数据之间的混叠,采用极大似然法来估计高维数据的低维嵌入维数,从而实现高维特征的有效简约、融合。接着,本文提出一种基于Softmax和马氏距离（Mahalanobis Distance,MD）的钻井泵健康状态评估方法。首先通过Gath-Geva聚类算法对低维特征数据聚类,得到钻井泵的健康状态划分,然后用Softmax分类器对测试样本的健康状态进行识别,计算输出健康状态序列与理想状态的马氏距离,并进一步归一化得到健康指数,得到各个健康状态下的健康指数区间范围,实现石油钻井泵的健康状态划分和健康状态的定性定量评估。最后,为了解决多阶段支持向量回归（Support Vector Regression,SVR）模型在小样本下拟合不佳的问题,本文在支持向量回归方法的基础上,结合健康状态划分与整群抽样,选择合适的超参数,以小齿轮轴为实验对象,在仿真和实例验证下实现对石油钻井泵的有效和准确剩余寿命预测。