柴油机由于复杂的结构和恶劣的工作条件导致故障时有发生。为保证柴油机及以其为动力源的机械系统安全可靠地工作,减少因突发故障带来的损失,柴油机健康状态评估与不解体故障诊断成为现阶段的前沿研究课题之一。柴油机振动信号中包含了丰富的工作状态信息,但由于柴油机结构复杂、运行工况多变,且在故障发生早期其特征信号往往是相对弱功率的信号,无法直接利用柴油机振动信号评估柴油机健康状态和诊断故障。因此,如何对柴油机振动信号进行深度分析,并提取能够表征其运行状态的关键特征参数,就成为柴油机故障诊断方法研究中的关键问题。论文从柴油机常见故障问题出发,将出现概率较高的气门间隙故障与燃油系统故障作为识别对象,开展了由单通道振动响应信号提取并识别故障源信号及其状态特征的故障诊断方法的研究工作,主要成果如下:（1）论文提出了一种优化的变分模式分解（VMD）与独立分量分析（ICA）相协同的信号处理方法,可由单一通道振动信号快速准确地提取出多个独立的源信号。首先,利用VMD算法对单一通道信号进行分解,得出了一系列的本征模态函数（IMF）。该方法较传统经验模态分解（EMD）等递归分解方法在准确性方面具有较大的优势。然后,利用ICA算法对VMD算法所得结果进行处理,解决了VMD算法无法区分柴油机中可能存在的同频率非同源信号的问题。分析过程中,对VMD算法的分解层数K与二次罚项α进行了优化,提出了一种获得最佳参数组合的有效方法,针对论文所选柴油机最终确定了最佳参数组合为K=6、α=8400。最后对比分析了ICA的多种算法,包括快速独立分量分析（Fast ICA）、鲁棒性独立分量分析（Robust ICA）和基于核方法的独立分量分析（KICA）对VMD分解结果进行二次处理时的准确性与计算效率,结果表明Robust ICA在准确性与计算效率方面具有相对较好的综合性能。论文采用优化的VMD与Robust ICA协同分析的方法对实测振动信号进行了处理,并取得了很好的效果,为下一步的故障特征提取打下良好基础。（2）在故障特征提取研究方面,提出了一种双谱对角线投影分析方法,解决了现阶段双谱分析对角线切片方法易丢失大量的双谱分析结果信息以致不能全面体现振动信号特征的问题,实现了对振动源信号双谱分析结果中的特征信息更为精确的提取。论文首先提出了对角线投影和对角线累积两种分析方法,对比分析了两种方法所得的振动源信号特征,并与原始的对角线切片方法所得振动源信号特征进行了对比,结果表明对角线投影方法能够获得更为全面的特征信息。然后对前述优化VMD与Robust ICA协同方法处理后所得的独立源信号进行了双谱分析,以双谱对角线投影结果为基础,计算了均值、方差、偏斜度、峭度、峰峰值、方根幅值、均方根值、香农熵、最大奇异值、四阶累积量等十种不同的特征参数并进行对比。提出了一种可视化的特征参数选择方法,实现了由单一参数同时描述特征的聚类程度与类间区分度,并依照这一方法对十种参数进行优先级的排序,为故障模式智能识别提供了特征参数的选择依据。（3）论文在对振动信号的处理方法和故障特征提取方法进行深入研究的基础上,设计了基于深度信念网络（DBN）的多重样本分类器,将优先级最高的四个特征参数作为分类器的输入,对柴油机的工作状态进行了识别。首先利用特征参数代替原始信号作为DBN分类器的输入,简化深度信念网络的结构,提高了诊断效率。然后构建DBN网络,对柴油机气门间隙、喷油量两种常见典型故障共六种状态（包含早期故障在内的五种故障状态和正常状态）进行识别,验证了DBN具有较好的故障模式识别能力和效率,实现了对多种类型故障及其故障程度快速准确的诊断。最后,经与遗传算法-BP神经网络（GA-BP）所得诊断结果进行对比表明,无论是单一故障诊断的准确率还是多种故障诊断的准确率均有显著提升,其中对多故障识别的准确率由87%上升到了95.3%,从而验证了论文所设计的分类器的优越性。综上所述,论文利用单通振动信号,以VMD、ICA、双谱分析和DBN等方法为基础,通过大量优化与对比分析建立了一套准确高效的柴油机典型故障诊断方法体系,对早期故障的识别能力和对不同工况的适应性上均取得了较好的效果。该方法体系虽然针对柴油机典型故障建立,但具有一定的普适性,对机械机构健康状态评估及早期故障诊断技术开发与工程应用具有一定的指导作用。