乳化器是乳化炸药生产线上的重要设备,由于其恶劣的工作环境、较大的工作强度,导致其容易出现故障。因此,及时有效的区分乳化器的故障类型,具有重要意义。本文以乳化器为研究对象,将经验小波变换(Empirical Wavelet Transform,EWT)和支持向量机(Support Vector Machine,SVM)这两种方法应用到乳化器的故障诊断系统当中。本文针对乳化器的正常状态、内圈故障、外圈故障和滚体故障这四种状态进行了研究,首先分别采集乳化器四种状态的振动信号,提出了EWT方法对采集到的振动信号进行特征提取,并由此构建特征向量。将部分特征向量输入到SVM模型当中对SVM进行训练,使用训练过的模型对测试样本进行分类识别。此外,还对常见的两种SVM多分类方法进行了对比分析,确定采用“一对一”(One VS.One,OVO)多分类方法的支持向量机模型,同时统计此种基本SVM模型对测试样本的分类识别率。在此基础上,为了提高分类识别的准确率,提出了粒子群算法对SVM模型进行参数优化。经过实验验证,优化后的支持向量机模型的识别能力得到显著提升,证明了基于EWT和SVM的乳化器故障诊断方法是完全可行的。最后设计了乳化器故障诊断系统。结合乳化炸药实际生产的要求选择硬件设备;在软件方面,结合Matlab与VB等软件设计其诊断功能以及操作界面。最后,以实验台所测的轴承内圈故障为输入样本对系统的可行性进行了测试。