针对目前某型导弹发射装置液压设备缺少必要检测手段的现状,基于虚拟仪器技术设计了一种液压设备检测系统。首先通过分析导弹发射装置液压设备常见的故障模式,确定了重要特征参数;然后介绍了液压设备检测系统的硬件设计和软件开发。该检测系统是一个实时多通道PC-DAQ系统,其主要任务是对液压设备工作性能进行在线检测,完成对重要特征参数的采集、处理、分析、记录等功能。该系统人机交互界面好、操作简单方便,能够明显提高检测效率。

针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性。结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征。

针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。

针对液压泵振动信号出现的调制现象，提出基于集总平均经验模态分解（ensembleempiricalmodedecomposition，EEMD）和平滑能量算子解调相结合的方法进行解调，并运用小波包分解频带能量的方法提取了轴向柱塞泵的特征向量。首先，利用EEMD将采集到的柱塞泵振动加速度信号分解成若干个平稳的本征模函数（IMF）；然后，选取包含主要故障信息的本征模函数通过能量算子解调的方法进行包络解调，从而提取振动信号在高频谐振带的包络成分；最后，运用小波包理论提取各频带的能量作为特征向量。结果表明：基于EEMD和平滑能量算子解调的方法能有效地避免模态混叠现象，提取振动信号的包络成分，成功获得各种状态下的特征向量。

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于多点最优最小熵解卷积(Multi point Optimal Minimum Entropy Deconvolution, MOMED)和双谱熵(Bispectral Entropy)的液压泵退化特征提取方法.首先针对最小熵解卷积(Minimum Entropy Deconvolution, MED)降噪效果受滤波器长度和迭代次数影响的问题,提出了一种多点最优最小熵解卷积(MOMED)降噪方法,并利用MOMED对液压泵原始振动信号进行处理,以降低原始信号中干扰成分的影响;然后采用双谱分析提取双谱熵作为退化特征,以提高对液压泵退化状态的反映能力;最后,通过对液压泵性能退化试验实测振动信号的应用分析,验证了该方法的有效性.

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解（EMD）和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分。通过两种方法的对比可以得出：两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少。

提出了一种新的表征时间序列复杂度的方法——多尺度局部最大样本熵。多尺度局部最大样本熵不仅克服了样本熵只能在单一尺度上衡量时间序列复杂度的缺点，而且与多尺度熵相比，既提高了每个时间尺度上样本熵的精度，又抑制了振动信号中的噪声和干扰成分。通过对仿真信号的对比分析，验证了多尺度局部最大熵在处理振动信号上的优势，将其应用到液压泵振动信号的特征提取中，很好地区分出了液压泵的不同故障。

选取某型装备溢流阀为研究对象，根据实际需求设计了DAQ硬件平台，并结合LabView虚拟仪器对采集到的数据进行小波包分析，将信号的能量分解到各个频带，通过能量柱形图反映出不同故障时的能量变化，并提取了故障的特征参量，为故障预测打下基础。

提出了一种新的衡量时间序列复杂度的方法——多尺度局部最大样本熵（Multiscale Local-maximum Sample Entropy简称MLSE）与多尺度熵相比MLSE抑制了振动信号中的噪声和干扰成分同时又提高了每个时间尺度上样本熵的计算精度。将液压泵不同状态下的MLSE作为特征向量利用可拓理论进行故障模型识别并将其与另外两种方法进行对比结果表明该方法故障识别准确率最高、耗时最短验证了该方法的优越性。

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题，提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs，采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分；对合成信号EEMD分解，用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号；对重构信号做Hil-bert变换求得包络谱，分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。