随着现代机械设备的日趋大型化、复杂化、自动化和连续化,设备一旦发生故障,给生产和生活以至于人们的生命财产安全造成很大影响。因此,人们总是期望建立一套监测、预警、容错和维修机制,伴随系统运行的全寿命周期,防止和杜绝影响系统正常运行故障的发生和发展。小波包分析是在多分辨分析的基础上提出的一种能够将频率分辨到任意细节的信号处理方法,它不仅对低频信号进一步进行分解,而且对高频信号也一样,因此在故障诊断方面得到了广泛的应用。本文中就是利用自主编写完成的改进的小波包软阈值消噪方法源程序对采集的振动信号进行消噪处理,进而提取归一化后的故障特征向量。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。本文中采用神经网络中最核心的部分即三层BP神经网络作为故障分类识别的工具,根据实验的要求和需要求解的问题最终确定神经网络的输入层神经元个数为8个、中间层神经元个数为30个、输出层神经元个数为5个。在对云内动力股份有限公司生产的4100QB柴油发动机上进行实验的基础上,建立了基于小波分析和神经网络的自适应故障诊断系统。该系统采集了柴油机缸体表面的振动信号,利用小波分析对振动信号消噪处理,有效的剔除了振动信号的噪声干扰,提取了可以表征柴油机故障的振动信号的特征向量。把提取的发动机缸体振动信号特征向量作为神经网络的训练样本,最终建立起了神经网络自适应故障诊断系统。通过输入检验样本对神经网络自适应故障诊断系统进行验证,结果表明该系统能有效的对故障进行分类识别,最终实现故障诊断。实验中应用DASP2005专业软件采集了发动机在正常和非正常工作状况下的缸体振动信号,利用MATLAB的小波分析源程序对振动信号进行消噪处理,提取相应特征向量,作为神经网络的训练和检验样本。通过BP神经网络的学习和识别,最后对相关工作状态进行了分类,对发动机的相应故障做出了判定。这些方法和实验数据为后续的研究提供了基础。实验和分析结果表明,小波分析和神经网络用于动力机械故障诊断是有效的、可行的,为动力机械故障的判定、诊断提供了一种新的思路和方法。