随着工业系统的规模日趋增大，系统元件的多元化，复合故障出现的概率大大增加。复合故障由于其故障模式的多样性，故障形式的复杂性，为其诊断带来了困难与挑战。然而，针对单一故障的故障诊断方法难以精确的识别出复合故障的所有故障模式。因此，本研究在国家自然科学基金“基于流形学习的风电系统传动部件多故障诊断及退化状态识别”，重庆市研究生科创项目“考虑多征兆特征分析的复合故障诊断方法研究”等基金的支撑下，针对复合故障诊断问题，从系统征兆表征出发，以滚动轴承作为研究对象，以征兆分析作为研究手段，对复合故障诊断问题做了相应的研究。
　　论文的主要工作有：
　　(1)本研究在未知噪声信号分布的情况下构建了振动信号自适应降噪方法。首先，利用改进遗传算法对具有动态自适应特性的脉冲耦合神经网络进行参数优
　　化，然后对含噪振动信号进行降噪处理。在此基础上，考虑到噪声和振动信号的频带混叠现象无法避免，因此首先将信号通过小波变换得到估计的噪声信号，由初始估计噪声信号与原始含噪振动信号构成信号混合矩阵，再利用盲分解算法对混合矩阵进行分离，从而得到降噪后的信号。实验仿真结果证明，本研究提出的自适应降噪方法可以在噪声特性未知的情况下，有效地抑制噪声点，提高振动信号质量。
　　(2)本研究从故障征兆出发，从不同角度构建了故障征兆集，从而表征复合故障的故障特征。进一步地，考虑到征兆集中特征之间的冗余现象，采用改进的ReliefF算法对征兆集进行优化，从而得到表达复合故障的最优征兆集。仿真结果证明，在通过多个域提取出较为全面的故障征兆集的情况下，利用征兆集优化算法可以有效提高诊断效率。
　　(3)在上述研究的基础上，利用RBF神经网络建立起故障类别与故障特征之间的映射关系，从而完成复合故障的识别。仿真实验证明，利用RBF构建出的故障辨识模型可以较为精确的识别出复合故障类别。
　　本研究以滚动轴承为研究对象，对滚动轴承振动信号按照信号降噪、征兆集提取及优化、故障模式识别的步骤进行分析与处理，分别通过公开数据集与实测数据集验证了该诊断模型的有效性。将神经网络的方法与传统的信号处理方法相结合，通过征兆分析的手段，实现了复合故障的诊断，提高了复合故障的识别精度。