基于虚拟仪器技术设计了一套液压自动检测系统，分析了虚拟仪器技术的特点和液压系统的原理，对检测硬件进行了选型。用图形化语言LabVIEW编写的程序直观，操作简便，可扩展性强。通过分析比较得出虚拟仪器技术应用于液压系统检测具有很大优势。

为准确快速掌握液压系统性能状况，发现故障及其原因，提高火炮维修质量，降低检测成本，引入虚拟仪器技术对某型火炮液压系统检测设备进行研究与开发。以计算机为平台，采用虚拟仪器技术，使用传感器、采集卡和信号调理电路等硬件，搭建检测系统，采取有效的抗干扰措施，消除热干扰和噪声的影响，并对液压系统进行了测试。实例证明该液压检测系统是可行的，满足检测任务的需要。

根据液压泵发生故障所表现出来的特征采用小波包能量值提取的办法作为故障类型识别的特征量采用BP神经网络对输入的特征量进行识别。实验结果表明：采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。

针对液压泵振动信号信噪比低、非线性及小样本等特点提出了一种基于小波包（ Wavelet Packet WP）分解、遗传算法（Genetic Algorithm GA）和支持向量机（Support Vector Machine SVM）的液压泵故障诊断模型即WP-GA-SVM模型。首先对液压泵振动信号进行小波包消噪预处理然后将消噪后的信号进行小波包分解与重构提取频带能量作为支持向量机分类器的输入特征向量。采用遗传算法来实现支持向量机核函数参数g和惩罚因子C的自动快速最优选择。最后通过与概率神经网络方法对液压泵故障诊断的对比分析验证了该模型的有效性和优越性。

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。

液压泵是液压系统中的关键部件对其运行状态的监测与故障诊断对整个液压系统的可靠性具有重要意义。基于小波包分解和小波系数残差分析方法提出一种利用液压泵出口压力进行液压泵故障诊断的方法。通过分析液压泵出口处压力信号的特征利用小波包对压力信号进行频谱分解提取液压泵的故障特征建立不同频率范围的特征信号与液压泵不同故障因素的对应关系为液压泵的故障诊断与定位提供依据。利用小波包能量残差判别液压泵的运行健康状态并比较不同小波基函数在故障诊断时的敏感度。为减小小波分析时边界效应所引起的信号畸变引入＂滑动双窗口＂的分析方法。试验结果表明与快速傅里叶方法相比基于小波包分解的残差分析方法可有效提高故障诊断的准确率实现对液压泵的状态监测与故障诊断。

液压系统泄漏故障原因众多，故障机理复杂，常规手段难以取得较好的故障诊断效果。提出基于小波包变换和RBF神经网络相结合的故障诊断方法。给出了基于小波包的故障特征提取方法和RBF神经网络训练算法。通过试验获取液压系统的振动信号，通过三层小波包分解，获取8个频段的能量信号，并以此作为神经网络的输入，通过网络训练，进行故障特征识别。该方法将小波包的时频分解能力和RBF神经网络的学习能力有机结合，取得了较高的故障诊断效率。

针对全液压平地机在小油门工况下行驶和作业时“游车”的问题在进行原因深入剖析之后运用关联发动机转速、功率以及扭矩等系统参数的液压主泵和马达排量调节的控制策略成功解决了机器“游车”的问题使得机器在小油门工况下行驶和作业平稳速度不来回波动.既节能减排、降低油耗和提高发动机的工作效率同时也改善了机器操作的舒适性.

液压马达是两栖突击车液压系统中故障发生率较高的元件之一当马达泄漏量达到允许的极限值时就要进行更换或者大修。通过分析影响两栖突击车液压马达泄漏量的影响因素建立了马达泄漏量的偏最小二乘回归模型得到马达泄漏量的拟合值与测量值的最大相对误差为8%并预测超过马达允许的泄漏量极限值的时间为9109h为科学确定液压马达的更换期或大修期提供依据。

介绍一种工程机械液压系统状态自动监测系统。该系统以PXI总线系统构成硬平台，采用了标准总线体系和模块化仪器方案，由可更换适配器构成测试传感器与测试资源的物理连接，完成液压系统各种信号的调理。系统的软件设计中采用了基于数据库的测试方法与面向对象的模块化程序设计方法，并以LabWindows／CVI为开发平台。该系统拥有良好的可扩展性和工程实用性，在工程车辆的液压系统检测和故障诊断领域具有广阔的应用前景。