柴油机是常见的活塞式发动机,在工业生产中应用极其广泛,主要应用于石油、电力、冶金等领域。因此,对柴油机进行状态监测,保证其安全、平稳、高效的运行,具有十分重要的安全和经济价值。由于柴油机振动信号中带有丰富的状态信息,因此,基于柴油机振动信号处理的故障诊断方法成为了目前常用的较为有效的故障诊断手段之一,而柴油机缸盖振动信号中含有大量的状态信息,因此,基于柴油机缸盖振动信号处理技术成为首选。相比于故障特征提取方法而言,智能诊断方法不需要提取出故障特征,可以直接根据机械设备状态特征信息,判断其运行状态。常用的智能诊断算法有：神经网络、聚类分析、支持向量机等。基于聚类分析的故障模式识别方法由于初始值选取的随机性,严重影响着故障诊断的结果。此外,当样本数目较大时,故障诊断的效率严重下降,难以满足实际工程中故障诊断实时性要求。基于神经网络的故障状态识别方法存在着算法复杂度高,程序计算量大,导致该方法的识别效率低,识别结果极易受到训练样本数的影响。和前述两种智能识别方法相比,支持向量机更适合于处理小样本,克服了工程实践中故障样本不足对状态识别的影响。柴油发动机是许多大型装备的重要动力来源,由于实际故障监测诊断手段落后,工程应用中许多恶性故障频发,对重要装备的安全稳定运行有相当大的影响。研究柴油发动机的故障诊断,实验柴油机故障早期预警及故障诊断具有非常重要的理论和工程实际应用价值。故障模拟实验研究是进行故障诊断研究的的重要组成部分,为深入研究故障机理和信号特征提供了大量的实际案例数据。本文提出一种新型的基于主成分分析(PCA)和支持向量机(SVM)的故障诊断方法。首先提取振动信号的多项时域指标,并利用小波包分解提取频域特征；再利用PCA从提取的时域、频域特征中选取敏感特征,实现降维处理,减小数据处理复杂度；最后利用SVM进行特征子集的训练和测试,实现故障分离。该方法在柴油机的失火、撞缸、小头瓦磨损等典型实际故障中的诊断准确率高达98%,证实了该方法的有效性。