故障診斷方法結合智能技術主要體現在以下幾個方面。

首先，基于故障離散小波變換的智能機器故障診斷方法，通過信號采集和預處理，去除干擾提高信號質量，再進行故障特征提取，選擇關鍵特征并輸入分類器進行故障分類與診斷。

其次，深度學習與故障離散小波變換結合，采集預處理故障信號，提取頻譜信息輸入深度學習網絡，實現智能化診斷。

再者，多源數據融合應用于故障離散小波變換，采集多傳感器數據融合后進行變換，訓練模型實現精準診斷。

還有，局部特征和離散小波變換相結合，采集振動信號提取局部特征后進行變換，選擇頻譜特征和分類器進行診斷。

另外，優化算法與故障離散小波變換結合，通過算法選取最佳小波基函數，提高診斷準確性和可靠性。

在交通機電設備故障智能診斷中，采用稀疏分解算法提取故障信號特征，利用希爾特變換法修正信號，構建訓練字典識別故障類型。

在機電作動器故障診斷中，基于一維卷積神經網絡，直接以原始信號為輸入，將特征提取和分類合二為一，實現端到端智能診斷，無需人工特征提取，具有高準確率、短診斷時間、強泛化和魯棒性等優點。

礦山機電設備的智能故障診斷，涵蓋數字建模、數據采集、識別分析、狀態預測和信息處理等技術，故障原因包括配合關系、超出設備負荷、設備損耗等，診斷類別有事后檢修、周期檢修和狀態檢修，診斷方法包括參考歷史記錄和智能診斷。