共振解调法的难点在于带通滤波器的确定，谱峭度可根据信号特征寻找最优滤波器参数，很好地解决以上问题。然而谱峭度在对低信噪比数据进行处理时，滤波后的信号往往残留较大带噪声，极大地影响了后续故障诊断的准确性。针对该问题，提出利用Teager 能量算子追踪SK滤波信号的系统总能量，从信号能量的角度消除带内噪声，二次增强隐藏于噪声中的故障冲击特征，最后通过包络谱分析获得诊断结果。应用轴承故障仿真数据、实验室内圈和外圈故障数据验证了本方法的有效性。

松动现象广泛存在于机械系统中，包括基础松动、支座松动及部件间配合松动。为此举例说明了三类松动的故障成因，归纳了国内外研究中常见的几种松动模型，从松动故障的动力学建模、求解方法及其非线性动力学特性等方面，对单一松动、松动—碰摩耦合、松动—裂纹耦合、两端支座松动、质量慢变系统松动与双跨转子系统松动等六类松动问题的研究现状进行了阐述，并简要介绍了松动实验的研究现状。最后，对松动故障研究中的关键问题或进一步研究课题进行了展望。

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点，提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取，并将其作为PNN神经网络的输入，再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本，结果表明，相比于小波包分解和PNN结合的诊断方法，提出的方法具有更高的诊断精度，能有效实现滚动轴承故障类型及程度的诊断。