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。