柴油机在船舶、核电、车辆等领域应用广泛，对其进行监测与故障诊断具有重要意义。随着设备健康监测技术的发展，数据存储压力日益显著，信号稀疏表示成为一种有效的解决措施。针对柴油机振动信号具有强冲击、非平稳的特点，提出一种基于分解信号（Decomposed Signal，DS）字典的柴油机多源冲击信号稀疏表示方法，并以稀疏系数作为特征应用于柴油机气门间隙异常故障诊断。首先，采用变分时域分解（Variational Time-domain Decomposition，VTDD）对信号进行处理获得分解信号。然后，将分解信号组成DS 字典。接着，通过正交匹配追踪（OrthogonalMatching Pursuit，OMP）算法实现原信号和分解冲击信号的稀疏表示。最后，以稀疏系数作为特征进行柴油机气门间隙异常故障诊断。测试结果表明，所提方法具有较好的应用效果，故障诊断准确率高于90 %。

不同负荷状态下的柴油机振动、温度、转速等信号显著不同，而机组故障信号特征往往淹没在随负荷变化而剧烈变化的信号中，因此变负荷状态下的柴油机故障监测诊断难度较大，一直困扰着柴油机的实际故障诊断工作。本文提出了一种基于流形学习和KNN算法的柴油机工况识别方法，为柴油机变负荷工况下故障监测预警打下基础。方法融合机组的多源信号特征构建特征向量，通过流形学习t-分布邻域嵌入算法（t-SNE）实现特征向量的维数约简和敏感特征提取，采用K最近邻分类算法（KNN）完成柴油机运行负荷状态的自动分类。正常及故障状态下的柴油机信号验证了方法的有效性和实用性。

建立多缸柴油机传动机构三维实体模型，理论上模拟柴油机正常以及异常发火情况下的瞬时转速波形图，分析其故障特征。以WP10.340E32型柴油机为研究对象，搭建柴油机故障模拟实验台以及柴油机运行在线监测系统，模拟、捕捉柴油机单缸不点火故障。从得到瞬时转速、特定相位缸体振动信号入手，对比正常情况下信号特征，分析失火故障与特征信号的内在联系。通过仿真和实测数据证明瞬时转速结合振动冲击相位信号可有效识别柴油机失火故障并且能准确定位故障缸所在位置，从而实现诊断过程的简化。