由于机械系统偏离正常功能而引起的一些机械系统故障，如由活塞、活塞销、曲轴轴承、连杆轴承、正时齿轮、气门等构件不正常而引起的故障，是汽车发动机最常见故障。此种机械故障的一种表现形式，是处于工作状态的发动机产生非正常振动。由此，可以考虑利用振动传感器直接采集发动机振动信号，并通过计算机对信号进行适当的谱分析和分类，实现用仪器完成发动机机械系统的故障诊断任务。本工作即以此为目标，开发一种智能仪器系统，该仪器系统可以对运行状态的发动机进行在线检测，识别由于机构技术状况异常而产生的机械振动，诊断如气缸套与活塞/活塞销、连杆与连杆轴承(小瓦)、曲轴轴承(大瓦)、正时齿轮、气门等构件的典型故障。 以此为目标，本工作首先实现了仪器系统的传感器、动态信号调理、数据采集、A/D转换等模块硬件设计工作；然后完成了仪器系统的算法设计工作，包括以下方面： (1)发动机故障信号统计分析。运用轮次检验的方法，确定发动机故障信号按非平稳随机信号进行处理； (2)特征提取算法设计。针对发动机故障信号的非平稳随机性，选用小波包技术对故障信号进行分析，将故障信号进行小波包分解并计算每个频带的振动能量，应用最大类间距的方法对每个频带的振动能量进行排序，选取前五个作为发动机故障信号的特征值； (3)分类器算法设计。将小波理论与神经网络技术引入到发动机故障诊断中，并利用多分辨分析的思想，提出了一种适于发动机故障诊断的小波神经网络模型，给出了小波神经元的选择及优化方法，通过计算和训练确定了该模型的参数，并进一步通过实验检验了所设计的模型； (4)将小波神经网络计算结果与BP神经网络计算结果进行比较，并得出针对本问题而言小波神经网络的速度与收敛误差要优于传统的BP神经网络的结论。 实验研究结果表明，本文基于小波神经网络所建立的发动机故障诊断实验系统能够对发动机机械故障进行有效的诊断。