为了提取强噪声背景下机械振动信号的微弱故障特征，提出利用Perona-Malik非线性各向异性扩散滤波模型来实现强噪声背景信号降噪的方法。首先阐述了偏微分方程和Perona-Malik扩散滤波模型在图像降噪中的应用；其次分析了小波变换等传统信号降噪方法的不足；最后基于图像降噪和信号降噪原理的相似性，利用Perona-Malik扩散滤波模型来实现机械振动信号的降噪，将其用于轴承振动仿真信号和实测信号。实验表明，与小波阈值去噪算法等传统信号降噪方法相比，Perona-Malik扩散滤波模型更适用于强噪声背景信号降噪，同时兼顾了信号去噪和保留信号细节特征的双重要求。

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。

改进了GM（1，1）模型，提高了其精度和适应范围；将改进的GM（1，1）模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型；提出了基于支持向量机的液压泵寿命特征启发式搜索策略，以液压泵寿命特征参数特征集的交叉验证错误率为评价指标，从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子；运用小波阈值降噪法进行降噪处理，提取典型的小波包能量特征作为模型的输入。以齿轮泵为例，将改进的灰色神经网络预测模型与原始GM（1，1）模型和改进GM（1，1）模型比较可知，灰色神经网络预测模型预测精度最高，达到98．42％。

该文在认真分析自适应油源液压系统结构基础上对自适应油源液压系统控制原理进行了数学推导建立了自适应油源控制数学模型得到了自适应油源的传递函数方框图在此基础上利用AMESim软件建立了自适应油源液压系统仿真模型仿真了定量泵控制信号对自适应油源液压系统输出的影响并对控制信号和系统输出之间的关系进行了分析.

控制是故障注入研究的重要部分。将PID控制器引入液压系统控制，利用MATLAB／Simulink仿真软件进行仿真，确立了控制参数，证明了PID控制能有效改善系统的响应性能，然后利用AMESim软件建立了基于PID控制的液压系统仿真模型，通过参数设置实现了液压缸故障注入，得到了需要大量实验得出的结论。

根据工程机械液压系统故障诊断的特点,建立了液压故障诊断专家系统。提出了利用故障定位流程图作为专家系统诊断知识的表示方式,研究了图形化的知识库生成工具Auto Flowchart,构建了诊断知识数据库,设计了故障诊断专家系统的结构,开发了基于流程图知识表示的故障诊断专家系统。有效解决了传统专家系统知识获取困难的问题;实现了液压系统的故障定位;方便了诊断知识的维护与更新,提高了查找故障的准确率及效率。最后,以QYJ40B起重机为例进行了应用,结果表明该方法有效可行。

为解决装备液压系统快速故障定位与维修问题,将IETM运用到装备液压系统维修保障技术中。介绍了S1000D 4.0标准,分析了基于IETM的装备液压系统维修保障系统的体系结构,研究了系统开发过程。对装备液压系统进行了层次分析,对典型故障进行了故障树分析,运用XMLSpy编写了各类数据模块,实现了故障的快速定位与隔离、故障零部件图解与分析,提高了维修的效率,具有重要的军事意义。

针对BP神经网络的不足，引入遗传算法，提出了改进的遗传神经网络算法，解决了BP神经网络容易陷入局部极小值的问题。将该算法应用于液压齿轮泵进行特征层融合诊断，结果表明：该算法具有很强的模式识别能力。

针对利用压力信号进行液压齿轮泵故障诊断分析了液压齿轮泵的压力脉动机理研究了应用小波分析进行齿轮泵压力信号的特征提取利用RBF网络进行故障识别和诊断的方法并建立了相应的RBF神经网络试验表明小波分析-RBF神经网络方法可对液压齿轮泵的常见故障进行识别和诊断

针对液压系统测试试验台，引入仿真软件AMESim对测试系统建立仿真模型。利用AMESim软件开发的仿真系统对测试系统进行仿真，并通过对仿真模型注入各种参数，分析仿真结果，验证仿真模型的正确性。然后以液压缸为例，对模型注入故障信息，为液堰缸故障诊断提供诊断样本。