为了研究自行式模块运输车的悬挂液压系统液压泵故障的诊断方法,首先根据其液压原理在AMESim中建立了完整的仿真模型,对悬挂液压系统的故障工况进行了仿真分析,并获取样本数据;然后采用小波包分析对样本信号进行分解,提取信号的子带能量谱作为特征向量,并利用主成分分析法对特征向量进行降维;最后利用支持向量机对故障进行诊断并对向量机参数进行优化,对悬挂液压系统液压泵的故障诊断有较好的效果。

小波包分析方法具有良好的局部分析能力,能对信号的时域与频域进行分析。以导管架平台室内模型为研究对象,建立其有限元模型。利用小波包分析方法,对有限元模型无损伤与有损伤数据进行分析,对比室内模型无损伤与有损伤实验数据分析结果,验证了小波包分析方法的适用性。建立有限元模型不同损伤工况,对各工况的振动响应信号进行分析,结果表明,小波包分析方法能很好地识别不同损伤工况,为工程实际应用提供了理论依据。

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用。论述齿轮泵的典型故障设置及其数据采集,针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法。实验结果表明基于小波包-支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求。

柱塞泵是液压系统的关键部件之一,监测其健康状态对液压系统的可靠运行具有重要意义。提出一种基于小波包和流形学习的方法,用于分析柱塞泵出口振动信号,从而对其进行健康评估;该方法利用小波包对原始信号进行分解,从中提取用于描述柱塞泵健康状态的有效特征群;把提取的高维特征群作为输入,利用并比较多种流形学习方法进行特征降维,选取状态识别准确率最高的拉普拉斯特征映射方法,建立起的特征向量到健康状态之间的对应关系,实现液压泵健康状态监测的分类要求。实验结果表明,采用小波包和拉普拉斯特征映射相结合的方法可以有效提高柱塞泵状态评估的准确性。

为了实现超声检测对缺陷的智能识别，引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解，提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络，该网络使用Levenberg—Marquardt算法。实验分析表明，小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。

通过小波包分析方法，对叶片泵入口压力脉动信号进行了信号分析处理，获得了初生汽蚀信号的各尺度频谱和能量特征值。试验测试信号分析结果表明：汽蚀初生信号尺度能量特征值可作为初生汽蚀状态进行定量识别的判据。

为了研究汽车起重机回转液压系统故障诊断问题，提高诊断效率。为有效提高汽车起重机回转液压系统故障诊断的速度与精度，针对传统故障诊断算法收敛速度慢、容易陷入局部最优，导致诊断精度不高的问题，提出了一种根据小波包能量熵的粒子群神经网络汽车起重机回转液压系统故障诊断方法（EE—PSONN）。首先依托汽车起重机回转液压系统实验平台，提取五种回转故障模式信号；然后利用小波包变换提取Shannon熵值，作为故障输入特征向量；最后利用粒子群优化算法提升BP神经网络，对故障进行建模识别。试验表明此法具有较高识别率．为汽车起重机回转液压系统故障诊断提供一种有价值的诊断方法。

齿轮泵产生噪声时基本上都伴有振动。对齿轮泵的振动原因及振动信号进行分析,由于齿轮泵的振动信号包含大量的频谱,利用小波分析原理及小波包分解故障信号,并与正常信号比较,抽取与故障有关的几个频段进行重构,剔除正常振动分量和干扰项,从而使故障特征信号从复杂的振动信号中分离出来,便于判断齿轮泵的故障原因。

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用。论述齿轮泵的典型故障设置及其数据采集,针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法。实验结果表明：基于小波包-支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求。

利用小波包分析的方法,对液压系统故障时的振动信号进行分析,从中提取相应的故障特征频段信号,计算出该特征频段的能量谱大小,实验结果表明,小波包分析技术用来解决液压系统的泄漏故障是可行的,为液压系统的故障诊断提供了新的思路.