随着工业智能化和规模化程度逐步提高,工业过程中所有加工单元的连接愈发紧密,一旦有某个设备发生故障将可能导致大范围生产环节的停滞,产生巨大的经济损失,因此需要保障工业装备稳定可靠运行的有效的方法。现阶段工业装备的故障监测技术大多以大样本数据集为基础,而在实际工业过程中,往往采集到的故障数据量很少,为小样本故障,其余数据都是正常运行数据,这使得一些需要大量故障样本进行训练的故障监测方法失效。如今针对工业装备故障监测方法中有两个关键步骤:特征提取以及建立分类模型。基于信号处理的特征提取方法中,存在信号分解效果不理想的问题,同时信号中包含相似故障特征以及噪声干扰,故障特征提取精度不佳;针对分类模型的研究,由于工业装备的故障类别繁多,直接使用二分类模型进行分类,可能会导致计算量与训练时长增加,具有一定的局限性。因此开展工业装备的小样本数据特征提取和分类模型研究具有重要意义。本文针对故障小样本的情况,以提升信号处理特征提取精度以及建立更适合多类别多分类模型为目标,提出工业装备的故障监测方法。主要工作分为两方面:(1)针对信号处理小样本故障特征提取方法,提出了解相关多频率经验模态分解特征提取方法,通过多个添加掩蔽信号的方法,同时在分解过程中嵌入相关系数处理操作,减少正常特征信息与故障特征信息之间的相互影响,抑制分解混合信号时出现的混叠现象,最终改善经验模态分解分解信号的能力。之后结合样本熵算法凸显信号中的故障特征,进一步提升对故障特征提取精度。(2)分析面向小样本故障数据的相关向量机多分类模型,提出基于布谷鸟搜索算法优化的多分类相关向量机模型,该方法既能充分发挥相关向量机的分类性能,实现同时识别多种不同故障,又通过布谷鸟搜索算法对核参数寻优,充分提高多分类相关向量机多分类模型的自适应性,极大程度提高分类性能,可以有效提高故障监测的效率。仿真实验表明,本文提出的特征提取方法可以显著的抑制不同混合信号分解时出现模态混叠现象,有效提高对小样本故障特征的提取;在处理小样本问题时,多分类相关向量机模型能识别多种故障状态,具有较高的分类精确度,能够实现高效高精度的故障监测,可以推广到实际应用中。