动力机械在大型船舶、动力设备以及车辆工程方面应用广泛，一方面促进了生产的发展，提高了生产率，另一方面也潜伏着一个很大的危机，即一旦发生故障所造成的直接、间接损失将是十分严重的，故研究其故障具有重要意义。动力机械结构复杂，工作环境复杂多变，其工作状态的理论模型难以建立，对其故障诊断都局限于事后经验判定。因此，如何有效实现动力故障的非经验判定，具有重要意义。本文在目前常用的一维小波的基础上，结合神经网络，对小波神经网络用于动力机械故障诊断进行了理论和应用研究。 小波变换在时域和频域都有良好的局部化性质，特别适合于非平稳信号的分析，在动力机械振动信号的分析中己得到了很好的应用。神经网络因其极强的非线性映射能力，特别适合于复杂模式识别，所以成为动力机械状态识别的有力工具。 在云内动力股份有限公司生产的4100QB柴油发动机试验的基础上建立了基于小波分析和神经网络的故障诊断模型。该模型应用了柴油机表面振动信号的特征提取方法，利用小波分析能很好的对柴油机表面振动信号降噪处理，有效剔除表面振动信号的噪声干扰，获得振动信号的特征参数，表征柴油机故障特征。提取发动机缸盖振动信号特征值作为神经网络学习和检验样本，建立柴油机特征参数与相关故障之间的映射关系的小波神经网络模型，在此基础上与实际台架试验数据进行了比较验证。 试验中应用DASP2003专业软件采集了发动机在正常和非正常工作状态下的振动信号，利用MATLAB的小波分析工具箱对振动信号进行小波分析，提取相应特征值，作为神经网络的学习和检验样本。通过神经网络的学习和识别，最后对相关工作状态进行分类，对故障做出判定。这些方法和试验数据为后续的研究提供了基础。 试验和分析结果表明，小波神经网络用于动力机械故障的诊断是有效的，为动力机械故障的判定、诊断提供了一种新的思路和方法。