柴油机结构复杂，故障发生率较高。开展柴油机状态检测及故障诊断技术的研究，有利于保证柴油机的正常运行和安全，并降低由于故障而产生的经济损失。本文以测量柴油机振动信号为手段，采用基于Hilbert-Huang变换的信号分析方法，开展柴油机状态检测与故障诊断技术的研究。具体研究内容如下:　　 ①在柴油机台架上模拟了喷油器故障以及喷油提前角变化等柴油机故障，采集柴油机不同部位的振动数据，选择缸盖位置数据作为故障诊断用的数据。　　 ②研究了Hilbert-Huang理论和经验模态分解(EMD)方法。针对柴油机振动信号的非平稳时变特性，对振动信号进行了时频分析。通过对振动数据进行Hilbert-Huang变换，然后从各个IMF分量中提取幅域特征参数。采用遗传算法选择出对故障识别最敏感的特征参数，建立相应的特征向量矩阵。结果表明，采用遗传算法可以有效的减小识别模型的维数，提高识别率。　　 ③分析了BP神经网络的基本原理，设计了BP神经网络的结构和学习算法，建立了基于BP神经网络模型的柴油机供油系统典型故障诊断模型。利用得到的特征向量矩阵对神经网络进行训练，而后对其神经网络进行验证，结果表明本文所设计的BP神经网络模型可以较好识别柴油机供油系统典型故障。　　 ④研究了利用振动信号的局域波时频分析来检测柴油机工作不均匀性的方法。在柴油机台架上采用断缸方法模拟了柴油机失火故障，测量了柴油机在正常工作和失火状态下一个工作循环内的机体振动信号。利用局域波分解方法对柴油机振动信号进行了时频分析，获得了Hilbert时频谱，对时频谱中各缸段的振动信号频率变化进行了统计分析，计算了频率偏差，并分析了其在不同工作状态下的变化趋势。分析结果表明，利用各缸段振动信号频率变化的偏差可以对柴油机工作不均匀性进行判别。