在工业生产过程中，人们希望能够对设备故障实现早期预报，防患于未然，保证设备安全、稳定、长周期、满负荷优质运行，避免旧的维修体制中存在的“过维修”或“欠维修”现象，充分发挥设备的效益。在此情况下，设备故障诊断学应运而生，并吸引大量的科研人员从事这方面的研究，促使该学科不断发展和完善。 随着设备向着高速度、高功率、高可靠性、大型化的方向发展，使得传统的故障诊断技术难以胜任复杂设备的故障诊断。本文正是基于此考虑，把局域波时频分析方法和人工智能-守法引入到故障诊断领域，以解决复杂设备的故障诊断问题。 首先，针对复杂设备系统的非线性和表面振动信号的非平稳性，引入了局域波分析方法。局域波分析方法的重大突破在于用基于信号局部特征的多个基本模式分量来描述信号，并赋予每个基本模式分量具有实际物理意义的瞬时频率。它有效地克服了用传统方法进行非平稳信号分析中产生无意义谐波分量的缺点。另外，通过局域波分析可把复杂的实测数据分解成有限个基本模式分量，从而简化信号分析过程，降低信号分析误差。 然后，从信息论的角度分析了人类智能活动的一般过程，总结了复杂设备系统故障诊断的特点，给出了智能故障诊断系统的一般框架。在此基础上，主要进行了以下的研究工作。 1．提出了基于Chebysbcv数值逼近的数据序列延拓算法，解决了局域波分解过程中的边界问题。该方法具有模型简单、所需的观测样本容量小、易于在线计算及预测精度较高的特点，实现快速而准确的局域波分解。 2．特征提取是当前机械故障诊断中的瓶颈问题，它直接关系到故障诊断的准确性和早期预报的可靠性。在局域波理论的基础上，引入了时频局部能量的概念，进而提出了一种基于时频局部能量的特征提取方法。时频局部能量更好地反映了信号频率特征的时变特点，为准确地分析和处理非平稳信号提供了有效的手段。同样基于局部能量的思想，提出了一种基于小波包分解的频带局部能量特征提取方法。 3．从人工神经网络故障诊断模型的特点出发，通过局域波法进行特征提取，利用粗糙集理论确定最优的决策系统，提出了粗糙集-局域波-神经网络智能故障诊断系统模型。该模型较好地解决了神经网络结构、训练样本的大小、大连理工大学博士学位论文摘要样本质量等对人工神经网络的精度及泛化能力有直接影响的问题，减少了训练所需的计算量和时间，提高了诊断精度。 4.在分析D一S证据理论和神经网络技术的优缺点及之间互补性的基础上，提出了一种基于D一S证据理论的多神经网络故障诊断方法。通过两者的结合，不仅解决了随着诊断参数的增多，神经网络结构逐渐庞大而造成的一系列问题，而且也为D一S证据理论中基本可信度分配的构造提供了有效的方法。同时，针对相互冲突证据体的融合问题，给出了更为合理的融合推理公式。诊断实例表明，该方法具有较高的诊断准确性和可靠性。 最后，以中国一汽变速箱厂生产的G79004变速箱为背景，融合传统故障诊断方法和本文提出的几种新方法，开发研制了“汽车变速箱性能检测系统”。该系统是集测试、实时监测显示、报警、信号分析、诊断于一体的综合监测系统。本文介绍了测试系统的设计方案，详细论述了基于软件复用的设计思想和设计过程，’并就C/s模式系统设计的特点进行了分析，确定相应的解决方案。 工程应用表明，利用而不是忽略复杂设备系统的非线性和表面振动信号中 的非平稳性特征，来建立相应的智能故障诊断系统，可以获得更有物理意义的 诊断结果，实现准确的故障诊断。