为研究某钢企1580热连轧机轧制薄规格带钢时带钢出现振纹及F2轧机异常剧烈振动问题，对F2轧机进行综合测试分析。依据图纸参数使用MATLAB对F2轧机主传动系统固有频率进行编程计算；对F2轧机整体系统模型进行有限元模态分析；通过谐响应分析研究轧制力周期激励下传动轴的频率位移响应，分析计算及仿真结果表明，带钢厚度波动所引起的轧制力周期载荷激励会引起主传动系统上下接轴发生共振，振动会通过主传动系统传递至轧机整体引起全局共振，研究成果为深入分析解决热连轧机振动问题提供新思路及有益借鉴。

多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足，引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE），在此基础上，结合自编码降维和遗传优化支持向量机，提出了一种滚动轴承故障智能诊断新方法。首先，利用RCMSE提取滚动轴承振动信号多尺度复杂度特征，构建初始特征向量矩阵；其次，采用自编码对初始高维特征数据降维，得到低维流形特征；然后，将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后，将所提方法应用于实验数据分析，并与多尺度熵方法进行对比，结果表明，论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型，而且识别率高于所对比方法。

针对滚动轴承振动信号的非平稳、非线性特性，将一种新的衡量时间序列复杂性和不规则程度指标——散布熵（dispersion entropy，DE）引入到滚动轴承非线性故障特征提取，提出了一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先，采用经验模态分解对振动信号进行分解，得到若干不同尺度的本征模态函数；其次，计算每个本征模态函数的DE值；再次，将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后，将提出的滚动轴承故障诊断方法应用于试验数据分析，结果表明，论文提出的方法能准确地识别滚动轴承故障类型。

针对以往模式识别方法的不足及特征数据存在“异常值”导致的模型失真问题，提出了基于特征评价的优化加权代理判别模型（Agent discriminate model based optimization weighted，ADMOW）模式识别方法。该方法根据同一状态类别中各特征值之间的对应关系（不同类别有不同的对应关系）建立数学预测模型，然后计算各特征值的类相似度评价指标，根据评价指标对特征值进行加权处理，从而削弱“异常值”对模型的影响，建立更加准确的代理判别模型，提高分类准确度。实验结果表明，经过特征加权处理的ADMOW方法对滚动轴承的状态识别具有更高的识别率。

多尺度熵是一种有效的衡量时间序列复杂性的方法。为了克服多尺度熵粗粒化过程遗漏特征信息的问题，提出了一种基于三次样条插值时间序列的插值多尺度熵算法。该方法首先通过三次样条插值时间序列代替原粗粒化过程，再计算各个尺度下的样本熵。通过分析仿真信号将提出的方法与原多尺度熵方法进行对比，结果表明了方法的有效性和优越性。在此基础上，提出一种基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断方法。最后，将提出的故障诊断方法应用于滚动轴承的试验数据分析。结果表明，所提出的方法比基于MSE的故障诊断方法识别率更高。

针对滚动轴承剩余寿命预测问题，利用经验模态分解对滚动轴承全寿命振动信号进行分解，得到有限个IMF分量，对这些IMF分量分别进行模糊熵分析，提取出滚动轴承故障特征信息，得到多频率尺度模糊熵值。然后采用PCA进行降维，建立滚动轴承性能退化评估指标。把经PCA融合后的IMF模糊熵值输入到ELM极限学习机中，训练ELM预测模型，对滚动轴承进行短期退化趋势预测，以及剩余寿命预测，并与经PCA融合后的IMF样本熵值的预测性能进行对比，证明所提指标的预测精度较高且预测结果趋于保守，更适合用于滚动轴承的剩余寿命预测。

多尺度熵(Multiscale entropy , MSE)是一种衡量时间序列复杂性的方法，针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题，提出一种改进的多尺度熵(Improved multiscale entropy, IMSE)算法。在此基础上，结合迭代拉普拉斯得分(Iteration Laplacian Score, ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate, VPMCD)，提出一种新的滚动轴承智能故障诊断方法。最后，将提出的方法应用于滚动轴承试验数据分析，并与现有方法进行对比。结果表明，提出的方法不仅能够有效地识别滚动状态和故障类型，而且其诊断效果优于现有方法。