泵类机械设备在各个行业都有着广泛应用,针对故障诊断的问题,传统人力巡检为主的方式效率较低且浪费资源,在分析泵类工作原理和故障特征后,本课题将依据传感器采集到的振动信号数据设计故障检测方法,建立故障诊断模型。针对传感器实际采集中受到环境噪声干扰严重的情况,利用小波变换对信号在时频域分析的优点,本文采用小波变换分解含噪信号,通过有效信号和噪声对应小波系数模值的差异特性进行去噪,结合不同传统阈值函数的优点进行改进,提出采用分段阈值和新的阈值函数的小波去噪方法,在仿真信号上证明,本文方法得到的去噪信号,信噪比SNR对于硬阈值和软阈值去噪分别提高了26.0%和12.1%,均方误差MSE分别降低了77.0%和47.6%。采用时域、频域和变分模态分解（variational mode decomposition,VMD）三种方式对振动信号的特点展开分析,由于谱图中很难提前发现故障信息并预警,因此设计了特征参数的提取方法,能够表征信号信息,通过后续诊断算法实现工作状态的自动判定。特征参数包括时域振动幅度的分布情况和冲击特性,周期性成分在频域结构的特征。变分模态分解对复杂信号有良好的解调性和抗噪性,结合粒子群算法（particle swarm optimization,PSO）和布谷鸟算法（cuckoo search,CS）,提出CS-PSO算法优化VMD的参数,经过实验证明,相较于经验模态分解（empirical mode decomposition,EMD）和默认参数VMD方法,CS-PSO优化的VMD可以在频域内实现更好的划分,保留了更多故障特征,构成后续故障诊断分类器的输入向量。对于输入向量不同特征间相互联系的问题,用主成分分析（principal component analysis,PCA）将其转换成互不相关参数组成的新特征向量,达到降维的目的。基于最小二乘支持向量机（least squares support veotor maohine,LSSVM）设计故障诊断模型,通过CS-PSO算法优化模型正则化参数C和核函数参数g。在实测信号上,仅提取时域特征的平均准确率为79.61%,本文特征提取方法的平均准确率为93.84%,提高了14.23%;CS-PSO优化模型的准确率仅低于网格搜索法0.09%,但运行时间减少了67.7%,训练速度明显加快,最终准确率为94.03%,可以实现包括正常状态到故障晚期的全寿命周期数据的故障诊断和类型识别。