针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PCA)与支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障程度诊断方法。该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试。这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响。实验结果表明此方法可以有效地识别不同故障位置的故障程度。

针对液压系统故障树分析时存在的故障概率获取不足、事件联系难以确定以及不能描述故障程度这三方面的问题，将T—S模型引入到模糊故障树分析中：用模糊可能性描述部件的故障概率；用T—S门代替传统逻辑门来描述事件间的联系；用模糊数描述部件的故障程度。结合液压机动力源系统故障树分析实例，计算出顶事件发生故障和出现各种故障程度的模糊可能性。

针对液压系统故障树分析时存在的故障概率获取不足、事件联系难以确定以及不能描述故障程度这三方面的问题，将T—S模型引入到模糊故障树分析中：用模糊可能性描述部件的故障概率；用T—S门代替传统逻辑门来描述事件间的联系；用模糊数描述部件的故障程度。结合液压机动力源系统故障树分析实例，计算出顶事件发生故障和出现各种故障程度的模糊可能性。