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通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析（MF-DFA）和半监督马氏距离模糊C均值（SSM-FCM）的液压泵退化状态识别方法。该方法首先引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高MF-DFA方法的计算精度;然后利用改进MF-DFA方法计算液压泵多重分形谱参数,并分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α_0和广义Hurst指数波动均值Δh（q）作为退化特征量;最后利用半监督马氏距离模糊C均值方法实现了液压泵退化状态识别,并以液压泵实测数据为例验证本文所提方法的有效性。

液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中，其振动信号复杂度高、非线性强，难以有效地提取退化特征，为此，本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解（ILCD）方法对振动信号进行分解，并利用贝叶斯信息准则与所构建的敏感因子，对内禀尺度分量进行筛选，以减少干扰分量的影响，得到敏感分量，有效抓取特征信息；在此基础上，引入离散余弦变换代替传统复合谱分析中的傅里叶变换，提出离散余弦变换一复合谱（DCS）算法，以解决信息遗漏问题，并利用DCS对敏感分量进行融合，提取复合谱熵作为退化特征，以提高对退化过程的表征能力；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通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,简称MF-DFA）的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。

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.