针对小波包络解调法在轴承故障诊断中,当轴承故障加深时,频段选择不当对诊断结果干扰较大,为解决该问题,提出了一种小波包能量谱结合希尔伯特变换的方法对轴承故障特征进行提取。使用小波包变换对信号进行分解、重构。对重构后的信号进行小波包能量谱分析得出能量较集中的节点,提取该节点对应的频段信号,并通过希尔伯特变换对相应频段进行包络分析诊断出轴承故障。以实验室实测信号故障轴承数据为对象分析,验证了结合小波包能量谱结合希尔伯特变换准确地识别轴承故障类型。

针对发动机缸盖振动信号信噪比低的问题，提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后，利用主成分分析对所有子带系数进行坐标变换，信号重构后再进行小波包分解，计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力，与支持向量机结合用于发动机十一种故障的诊断实例表明，故障分类准确率可达到98．76％。

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明:改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。

提出了利用小波包分解、神经网络和模糊诊断的方法进行发动机泵机组故障诊断；运用小波包频带能量分解，可以在不丢失振动信息的情况下降低信号的维数，提高神经网络的识别能力；运用了神经网络使故障诊断具有自适应、自学习能力，对发动机泵机组的各类故障进行分类和训练，得到了满意的效果。

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解（EMD）和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分。通过两种方法的对比可以得出：两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少。

针对利用振动信号进行液压齿轮泵故障诊断，介绍了振动信号的小波包能量谱分析，指出了振动信号的小波包能量谱分析可以进行齿轮泵故障模式的识别，研究了利用RBF网络对振动信号的小渡包能量谱进行模式学习和识别的方法，并建立了相应的RBF网络。试验表明小波包能量谱分析一RBF网络方法可对液压齿轮泵的常见故障进行识别和诊断。

根据液压泵发生故障所表现出来的特征采用小波包能量值提取的办法作为故障类型识别的特征量采用BP神经网络对输入的特征量进行识别。实验结果表明：采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。

针对液压泵振动信号信噪比低、非线性及小样本等特点提出了一种基于小波包（ Wavelet Packet WP）分解、遗传算法（Genetic Algorithm GA）和支持向量机（Support Vector Machine SVM）的液压泵故障诊断模型即WP-GA-SVM模型。首先对液压泵振动信号进行小波包消噪预处理然后将消噪后的信号进行小波包分解与重构提取频带能量作为支持向量机分类器的输入特征向量。采用遗传算法来实现支持向量机核函数参数g和惩罚因子C的自动快速最优选择。最后通过与概率神经网络方法对液压泵故障诊断的对比分析验证了该模型的有效性和优越性。

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。

液压系统泄漏故障原因众多，故障机理复杂，常规手段难以取得较好的故障诊断效果。提出基于小波包变换和RBF神经网络相结合的故障诊断方法。给出了基于小波包的故障特征提取方法和RBF神经网络训练算法。通过试验获取液压系统的振动信号，通过三层小波包分解，获取8个频段的能量信号，并以此作为神经网络的输入，通过网络训练，进行故障特征识别。该方法将小波包的时频分解能力和RBF神经网络的学习能力有机结合，取得了较高的故障诊断效率。