课题针对旋转机械设备早期故障信号微弱、诊断困难的问题，将测量学科中的综合技术和尖端领域，即噪声中微弱信号检测及信息融合技术的理论和方法引入机械故障诊断中。
    首先在旋转机械设备故障分析基础上，提出了一种基于小波变换和间歇混沌的弱信号检测分析方法对故障信息进行特征提取方法：研究了利用离散小波包变换和小波变换的模极大值特性实现工程中信号提取以及奇异点检测算法并由软件实现，实现了故障特征频率的小波的频带分割，有效提取了机械故障特征参数；提出利用间歇混沌实现微弱信号检测，并通过尺度变换实现混沌大范围频率测量方法解决机械故障发生早期，故障频率的微弱信号难以检测的难题。
    随着研究的深入，原来得以忽略的非线性问题变得愈突出，传统的采用单一理论和方法难以取得更为满意的诊断效果。为此，建立基于模糊神经网络的故障特征级数据融合算法，将提取的机械故障特征信号映射到故障空间，得出故障部位及严重程度的判决；建立全息神经网络，进行故障的趋势分析和预报。
    课题构建了一套现代故障诊断体系并使之实用化，系统技术指标：可对振动、压力、应变、温度、声波、超声波、声强等信号进行测定分析；采样频率从1KHz至100MHz；采用小波混沌等弱信号检测技术可使信噪比达到-40db，有效检测出淹没在强大机械噪声中的早期微弱故障信号；输出形式可以是数字或图表，易于结果分析。据项目关键技术查新报道，该成果达到国际先进水平。
    从项目投入生产以来应用效果来看，如对上海宝山钢铁股份公司的SP热轧机故障诊断及预报中，该系统成功地为设备提供了安全生产数据以及故障报警数据，避免了设备失修及故障带来的巨大损失，并节省了维修费用，产生了很好的经济效益。取得了很好效果。
    项目同时应用与北戴河测试技术研究所、秦皇岛市北戴河兰德科技有限责任公司大庆石油学院等单位合作，使产品配套形成系统，在国内推广应用，取得了很好的经济效益和社会效益。