从含噪信号中判断滚动轴承是否发生故障，同时确定故障发生位置和缺陷程度，针对这一轴承工作状态监测的核心问题，提出一种结合小波频带剖分、主成分分析、多层次聚类的滚动轴承故障诊断方法。首先，利用小波最优分解层数将获取的原始信号进行小波包分解得到小波能量谱；然后另取18 个时域频域特征指标共同构成特征参数集，再经主成分分析处理，将参数集降到合适的维数；最后利用最佳类间距、样本间距组合和聚类有效性评价建立多层次聚类挖掘系统。实验和应用案例表明：该方法能够准确有效地诊断滚动轴承的不同故障类型和损伤程度，准确率达99.3 %，可为轴承状态监测与智能故障诊断提供有效的理论参考。

针对土木工程结构多分量时变模态参数识别困难问题，提出一种基于变分模态分解(Variational Modal Decomposition，VMD)、小波分析和等值线法相结合的瞬时频率识别新方法。首先，通过连续小波变换确定模态分量个数，利用VMD分解多分量信号得到各模态分量；然后，采用小波分析和等值线法识别每个模态分量的瞬时频率；最后，叠加展示各模态分量的时频曲线。为解决长时段信号小波能量衰变问题，提出一种等间距拆分时段、逐段分析的方法。采用多分量时变数值算例验证该方法的有效性和准确性。设计一个具有时变刚度拉索结构试验，对线性和正弦两种时变工况下索的振动位移响应数据进行分析，从而识别出拉索的时频变化曲线。结果表明，提出的方法可以准确有效地识别出多模态时变结构的瞬时频率，其拆时段分析手段在组合的可视化展示中有很好的时频效果，该方法具有较强的抗噪性和时频特征提取的稳定性。

因离心风机噪声超限造成返厂，会影响用户体验，同时增加制造成本，故提出一种新的分析方法，旨在生产前对离心风机噪声进行智能预测。首先基于相关性分析和主成分分析法(Principal Component Analysis，PCA)对风机15 个性能和几何参数进行降维处理，然后提出一种具有非线性惯性权重的粒子群算法，并用于优化反向传播(BackPropagation，BP)神经网络的初始权值和阈值，最后寻找最佳隐层，确定BP神经网络4×8×1 的结构，从而简化网络结构，提高收敛速度和预测精度。经实验验证，该方法较其他方法预测精度更高，平均误差仅为0.76 %，且在生产企业得到很好应用，在工程实践中具有实际意义。