耐久性试验是发动机测试试验的重要组成部分,是保障发动机生产质量必不可少的环节。由于耐久性试验中发生故障的频率较低,故障样本的积累少,给这种小样本条件下进行的故障诊断增加了困难。某企业配备德尔塔分析仪作为发动机耐久性试验的监控设备,该仪器的核心阶次谱分析技术已成功应用于变速箱的故障分析,但由于发动机结构的复杂性,目前尚缺乏基于该设备的成熟解决方案。基于企业对此项技术的需求,本文研发了一套基于机器学习技术的故障诊断方案。本文首先回顾了几种经典的发动机振动信号故障分析手段,并将其成功的应用在发动机实测数据中,这些理论方法是阶次分析的基础。随后介绍了德尔塔分析仪的监控方法和报警原理,并重点介绍了阶次分析技术。接下来针对耐久性试验中出现的几种典型故障,分析其数据特点,总结故障与阶次谱的对应关系。通过对阶次谱线分析的经验和结论,本文提出了一种基于阶次谱分析的特征提取方法,得到的特征向量维度稳定且每个特征值有明确的物理意义。最后,采用机器学习的方法进行故障类型的自动识别。方案采用主成分分析降维结合支持向量机,在同转速下得到较高的故障识别率,但扩展到全故障条件下分类准确率有所下降。方案二采用本文提出的特征提取方法结合xgboost分类算法,提高了全故障条件下分类的准确率,对排气摇臂损坏、火花塞烧蚀、活塞开裂等类型的故障识别率达到百分之百,并可以推测故障的严重程度。