针对自确认压力传感器的故障诊断问题，提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解，提取各个节点的小波包系数，对每个节点的小波包系数通过一定的削减算法增强故障特征，然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量，以此作为输入来建立支持向量多分类机，判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明，该方法能有效地应用于传感器的故障诊断中。

针对在钻削加工噪声背景下振动信号微弱特征识别和提取困难的问题,提出了一种基于小波包分频谱减的钻削振动信号特征增强方法.首先,在经典谱减法原理的基础上,将钻削前机床空转信号视为监测信号的"加性噪声";其次,根据钻削过程振动信号的特点,采用小波包分解方法将"加性噪声"和监测信号分成多个子频带;最后,对每个子频带内"加性噪声"的相应频带进行谱减处理后,重构钻削振动信号.仿真和实验结果表明,该方法能有效降低环境噪声对钻削过程特征提取的影响,从而达到增强监测信号特征的目的,同时建立了钻削过程与监测信号之间很好的映射关系模型。

针对转静碰摩故障的振动响应问题，采用小波基函数db6三层小波包分解和能量谱相结合的分析方法，对实测的碰摩故障信号进行频带能量特征提取。通过对仿真和实测信号进行小波包分解后作频谱分析发现：当转子发生转静碰摩故障时，频谱图中除了转子的工频外，在分频、分频倍频处引起比较稳定的分数谐波，并出现了3x等高阶倍频频率成分。在对实测信号作进一步能量谱分析时，存在碰摩特征频率的频段能量发生了变化，因此小波包能量谱分析方法能够很好地区分转子的碰摩故障。

针对传统自动机维修保障模式操作繁琐、维修周期长的问题，提出了一种应用小波包能量谱信息和相关向量机（Relevance vector machine，RVM）相结合的故障诊断方法。对每一组自动机振动信号进行小波包分解，得到不同频率成分的子频带分量，计算子分量占原信号能量的百分比，实现自动机状态信息表征，最后将特征输入RVM中进行分类识别。自动机故障诊断实例表明，该方法能较理想的实现自动机故障诊断，达到较高的诊断准确率。此外，通过对比支持向量机（SVM）的诊断结果，验证了RVM可以在很大程度上提升故障诊断的稀疏性与实时性。

论述了相空间重构方法影响振动信号关联维数准确性的因素。通过小波包改进算法对信号降噪，利用自相关函数法和伪相图法结合技术选择时间延迟和最近邻域发散度法确定嵌入维数，并将此法应用在较难识别的往复式压缩机轴瓦与十字头故障征兆中，获得较均一稳定的关联维数，验证了此法的准确性和有效性。

为解决泵控马达系统在运行过程中由于耦合效应所导致的运行状态信息难以有效提取的问题,在对泵与马达压力脉动信号耦合机理分析的基础上,提出利用小波包对压力脉动信号进行分解与重构并通过不同工况下的实验验证了该方法能有效、实时提取柱塞泵压力脉动信号,同时基于实验数据表明:压力脉动幅值随负载压力的增大而增大,且有随转速升高先减小而后增加的现象。

针对电动振动台产生随机振动情况下的故障特点，对某型电动振动台的振动信号进行分析，采用小波分解与重构的方法，提取了伴随噪声的振动信号中的故障信息，判断出电动振动台的故障点。该方法不需要进行数据建模，而且具有一定的鲁棒性，适用性强，对难以建立解析数学模型的诊断对象非常有效。通过小波包分析对重构振动信号再次进行分解，并有针对性地对包含有故障特征频率的频段信号进行重构，能有效地滤去各种干扰信号，显示故障特征信息，为电动振动台故障诊断提供了一种更加快速有效的新途径，从而证实了小波分析及小波包综合应用在检测故障信号方面的有效性。