为了研究丝杠在不同寿命下的运行状态，准确判断出丝杠的性能退化程度，提出了一种基于小波包分析的丝杠运行状态监测方法。以丝杠性能退化试验平台为研究对象，安装三向加速度传感器，来采集丝杠的振动信号。通过对振动信号的进行小波包变换，采用能量谱筛选出包含丝杠状态信息的频率带，再从这些频率带中通过时域、频域分析的方法提取出敏感特征，最后运用机器学习的方法对特征进行分类，以达到监测丝杠运行状态的目的。试验结果表明通过该方法可以有效监测丝杠状态，平均识别准确率达到了95%以上。

信号处理和机器学习是故障诊断过程中的关键技术,针对机械关键零部件的传统诊断技术,提出了一种采用字典学习和AdaBoost算法的信号诊断方法.该方法基于原始振动信号驱动训练数据,通过K-SVD和OMP算法更新字典并对其在字典空间稀疏表示,筛选重构所得增强信号时、频域特征,采用集成算法在AdaBoost神经网络分类器中实现振动信号的诊断.研究表明,采用字典学习和AdaBoost算法的信号诊断方法自适应强,能准确提取信号本质特征,诊断精度高,优于传统诊断技术.