在现代化生产中,细纱机设备的故障诊断技术越来越受到重视,因为如果某台细纱机出现故障而没有能够及时发现和排除,其结果不仅会导致设备本身损坏,还可能造成严重后果。传统细纱机故障的检测方法是通过手触摸以测定它的温度是否过高,振动是否过大；用耳听以判别运动部件是否有异声,但是像这样根据人的感觉和经验来判断会有很大的局限性,因此纺织细纱机故障的自动诊断具有现实意义。本文结合细纱机的四种常见故障,采用改进的小波变换算法和支持向量机方法对故障进行提取和分类,为更好的研究细纱机故障诊断方法提供了依据。本文针对信号采集、特征提取、故障识别和分类三个方面展开了研究。首先以labview为核心设计了一个数据采集系统对细纱机振动信号进行了采集,此数据采集系统通过电涡流传感器将振动信号转化为电压信号,电压信号通过采集卡转化为数字信号后再传给计算机,在计算机中,振动信号以32位的浮点型数据文件进行保存。其次,简单介绍几种常见故障的模拟实验,结合数据采集系统采集细纱机运行时正常与故障的数据,将时域分析、小波变换和功率谱分析结合起来,提取故障的特征信息,由于传统的小波算法不能很好的提取出故障信号的特征参数,本文将采用一种改进的小波分解与重构算法以便提取出比较准确的特征信息,此改进的小波算法将小波变换与FFT结合起来较好的消除了混频的现象。最后,针对有限样本情况下故障的特点,本文采用支持向量机的方法对故障进行识别和分类。将所提取出来的特征向量作为输入,分别采用“一对一类”和“一对多类”两种支持向量机的多分类方法对特征向量进行学习训练和识别,并采用试凑法和交叉验证法搜索支持向量机的最优参数。然后将支持向量机与BP神经网络进行比较,实验结果表明,支持向量机耗时短,分类精度高,更适合应用于纺织细纱机的故障诊断研究中。