目前,运用奈奎斯特采样定理对整流器输出信号进行故障诊断,为了保证诊断结果的准确性需要进行大量的信号采集,从而导致数据处理量大、数据存储和传输困难等问题。而CS(Compressed Sensing,压缩感知)理论的诞生,以低于奈奎斯特采样频率对数据信号进行采集,减少采样数据量。另外,CS理论将传统的信号数据采样与数据压缩两个过程合为一体,以信号的非自适应投影来保存原始信号的重要信息,再选用合适的重构算法重建出原始信号,这样能缓解数据的传输压力和减小对数据存储空间的需求。本文以CS理论为基础,将CS理论与BP神经网络相结合,对24脉波整流器电压信号进行压缩采样处理,最后实现故障诊断与识别。第一,详细介绍压缩感知理论,构建24脉波整流器模型,并分析原始信号的稀疏性。通过分析原始信号稀疏变换所反映出来的信号特征,用离散余弦变换(DCT)对原始信号进行稀疏表示,然后运用上三角系数加权法对测量矩阵进行优化,以降低其稀疏基和测量矩阵间的相关性,加强对低频信号的采样效率,最后使得压缩采样性能得到一定提升。第二,经过对匹配追踪类重构算法的研究,将传统的内积相似性匹配准则进行替换,提出一种利用Dice系数相似性度量准则来优化支撑集的分段正交匹配追踪算法。与其他几种传统的匹配追踪类重构算法进行实验对比,本文提出的算法能够有效区分2个近似原子,并且能够更好地选取与残差值相匹配的原子,使得信号的重构质量和重构性能得到一定程度的提升。第三,将BP神经网络应用于整流器的故障诊断中。通过对24脉波整流器输出电压信号进行压缩采样和重构后,直接对所得到待求稀疏系数向量进行故障特征提取,然后把提取到的故障特征向量输入到BP神经网络中,最终实现整流器的故障诊断与识别。实验表明:与传统方法相比,该方法需要处理的信号数据长度大幅度减小,故障诊断准确率提高,故障诊断速度加快。