当前国内外设备用户的日常维修策略通常采用预防性维修保养，即通常根据制造商指示的当量运行小时数来决定是否需要小修、中修、大修。对于设备的停机检修，无论是计划内的还是计划外的，以及普遍存在的失修和过修情况，总是意味着高昂的运行和维修成本代价。为避免失修和过修，提高设备的可靠性和可用性，降低运维成本，用户宜采用预知维修策略。利用模式识别和机器学习等基于数据驱动的人工智能技术，需要建立在已有设备故障样本集上，对于样本集中未涉及的故障类型，这些方法难以给出准确的诊断结果。且对于一种新型或刚投运的设备，由于缺乏标定的故障数据，难以在短时间内建立能够覆盖所有故障类型的完备故障样本集，且通过运维经验和监测数据来积累故障模式与故障征兆之间的关系规则库是艰难而费时费力的，且不易对故障严重程度作量化评估，制约了基于数据驱动的人工智能技术的应用。本项目属于故障诊断领域，重点围绕复杂强非线性热力系统、动力系统、机械系统故障诊断与预测的关键技术问题，开展基于模型-数据混合驱动的故障诊断与信号处理关键技术研究，主要创新点有：（1）提出了一种基于粒子群优化算法辨识的部件特性线修正方法，使修正后的模型的部件特性线与实际目标系统的真实部件特性线相匹配，提高了计算精度。（2）提出了基于热力模型与粒子群优化算法相结合的非线性诊断方法，从全局优化的角度改善了诊断结果的准确性。（3）提出了基于灰色关联理论与热力模型相结合的混合型非线性气路诊断方法，从故障系数矩阵降维的角度兼顾了诊断结果的准确性和实时性。（4）采用高斯数据调和方法解决了诊断准确性高度依赖传感器可靠性的问题，降低了部件健康参数对传感器测量偏差的敏感性。（5）提出了基于多维特征提取与灰色关联算法的诊断方法，能够准确有效的识别不同的故障类型及故障严重程度；其中，故障识别成功率能够达到100%，而对不同故障类型及故障严重程度的总体识别成功率也能达到96%以上；算法简单易编程，能够较好地解决模式识别算法易用性与准确性的矛盾问题。本项目所形成科技成果是一种对正在演变或即将发生的恶化情况发布早期预警信息的有效技术手段，从原理上实现设备性能分析—诊断—预测方法的有效耦合，为实现复杂强非线性热力系统、动力系统、机械系统故障诊断与预测提出新方法；在功能上实现详尽的、量化的、准确的各主要部件的故障诊断与预测目的，给制定恰当合理的优化控制和维修策略提供理论指导，对其推动从预防性维修保养过渡到预测性维修保养的维修理念改革起到重要的理论意义和实践价值。2016年，已将该项目相关研究成果应用于重庆群峰科技发展有限公司下的重庆天海星两江数码工坊的建筑施工过程，累计产生经济效益2080万元。同年，已将本项目相关技术应用到“重庆东水门P+R换成中心项目”的停车设备制造及安装过程中，累计产生经济效益640万元，在国内外SCI检索期刊上发表论文20余篇，申请发明专利20余项。