风机被广泛的应用于工业生产过程中，主要负责通风、引风、排尘以及冷却，其运行状态直接关系着整个生产系统是否能够安全稳定的运行。为了避免事故的发生和经济的损失，对风机开展状态监测与故障诊断具有极其重要的意义。风机运行过程中，其振动信号中包含着丰富的设备运行状态信息，通过采集风机的振动信号进行处理并分析，可以完成对风机状态的识别。本文以风机振动信号为分析对象，应用小波分析、Hilbert变换以及BP神经网络技术实现了风机故障诊断。工业现场采集的振动信号中常常包含大量的噪声，具有较低的信噪比，本文采用小波阈值降噪法对风机振动信号进行降噪，提高了故障信号的信噪比，有利于故障特征的进一步提取。小波分析是一种有效的信号分析方法，被广泛的应用于各个领域，小波分析具有自适应性的时频特性，很适合处理风机的故障信号。针对风机振动信号的特点，本文应用两种方法完成风机的故障识别。首先，本文提出了小波变换与Hilbert变换相结合的小波包络分析，将降噪后的振动信号进行小波分解与重构，对重构后的细节信号进行Hilbert变换，得到故障信号的包络谱，通过观察包络谱的故障特征频率完成了风机的故障诊断。其次，本文提出了小波包与BP神经网络相结合的松散型小波神经网络方法。小波包是在小波的基础上发展起来的分析方法，在保留了小波优良时频特性的同时，提供了比小波更精细的分解信号的能力。将风机的振动信号进行小波包分解与重构，提取各频段的能量，将归一化后的各频段能量作为输入数据对BP神经网络进行训练和测试，完成风机故障的智能识别。本论文利用MATLAB软件对故障信号进行了仿真实验，实现了两种方法在风机故障诊断中的应用。实验结果表明，本文提出的两种方法对风机进行故障诊断是有效的，具有一定的应用价值。