自行火炮底盘系统包括动力装置、传动装置和行动装置,其性能直接影响火炮的动力性能和机动能力。底盘系统高密度、多功能、集成化的技术特点,使得维修保障的难度很大。针对自行火炮底盘系统的传统检测方法主要是在线不解体检测,其存在的弊端是只能在无负荷状态下检测底盘系统各部件的工况。由于没有相应的动态载荷,测试得到的底盘系统各部件动态响应信号中,有用的故障信息常常被噪声信号所淹没,有时甚至无法准确捕捉到故障信息,造成故障定位精度较低。并且在故障诊断方法上,小样本的数据特点,也使得神经网络等一些基于传统统计理论的故障诊断方法在对故障类别进行学习和识别时容易出现过学习、泛化能力差、陷入局部最小等问题。本文设计了基于无线分布式网络的嵌入式检测系统,回避了在线不解体检测时的连线问题,使得底盘系统在带载条件下的检测成为可能。在火炮使用过程中,底盘系统的状态信息由传感器获取,由嵌入式检测系统采集、转换和存储,并通过无线分布式网络实时传给信息处理中心。对发动机气缸盖振动信号进行了特征提取,一方面利用检测子系统中单片机的硬件资源,提取了振动信号的无量纲幅域指标,作为无线传输时表征振动信号的特征量,另一方面对原始振动信号进行小波包分解,用小波系数表征信号能量,采取基于子频带能量的自适应去噪方法消除噪声干扰,以各子频带的能量统计量作为特征向量。将基于小样本统计学习理论的支持向量机引入故障诊断领域,利用模糊理论改善支持向量机多故障分类器的性能,提高了故障诊断模型的故障分类精度和泛化性能。同时利用ART2神经网络弥补支持向量机故障分类器存在无法对未知故障模式进行识别和学习的缺陷,并对ART2网络的学习算法进行了改进。