随着工业生产技术的快速发展,工业系统越来越趋于大规模化和复杂化,系统状态量逐渐增多,样本中输入向量维度不断增大,导致分类器结构复杂。因此,如何降低高维的输入样本维度,提取有效的故障特征成为当前故障诊断的难题之一。工业生产系统结构复杂,其故障类型多种多样,导致分类器的分类精度较低。因此,提高故障多分类精度,准确定位故障位置也是当前研究的热点问题。为了解决系统故障样本特征提取和故障分类问题,针对多状态量、多故障类型系统的特点,提出了特征提取和故障分类方法。针对一类故障样本输入向量维度高的复杂工业系统,考虑到单一方法的局限性,本文设计了基于离散小波变换,相空间重构,奇异值分解的特征提取方法。该方法能够在保留有效故障特征的前提下,大幅度地降低输入样本的维度,简化分类器设计难度,提高故障分类的速度。利用轴承数据进行验证,实现了降低样本输入向量维度,快速提取准确故障特征的目的。此外,针对一类多状态量、多故障类型系统,本文提出了基于多层聚类和支持向量机的故障分类方法。TE过程包括53个状态量,20类预编故障,具有典型的多状态量、多故障特性。因此,本文选择TE过程进行实验仿真,验证了故障分类方法的有效性。