选取液压油的光谱分析数据作为液压泵的寿命特征信息,针对油液采样间隔不等间距的情况,研究非等间距灰色GM(1,1)模型。对建模数据背景值进行改造,建立改造背景值的非等间距灰色GM(1,1)模型,提高模型的预测精度。研究了油液分析阈值的制定方法,制定液压泵磨损金属元素含量和含量趋势值的阈值。运用改进背景值的非等间距灰色GM(1,1)模型对某型凿岩台车的液压泵进行寿命预测,预测精度达到95.78%。

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％。

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法。该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果。选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比。结果表明,灰色支持向量机预测性能最优,精度达到99.37%,为液压泵性能评估和寿命预测提供一种更为有效的方法。

液压泵的性能状态参数包括振动、压力、流量、温度和油液等信息，如何从这些状态参数中选择能够影响和表征液压泵寿命的特征因子是进行液压泵性能评估与寿命预测的难点。基于此，研究了特征选择策略，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，学习识别与选取能够表征液压泵寿命的特征因子，解决了液压泵寿命特征因子选取难的难题。应用实例表明该方法能够选择出反映液压泵性能的寿命特征参数。

利用xmxl有效地表达了液压系统专家的知识，适应网络环境的应用和分布式处理。XSLT负责对xmxl文档进行转换，Jscxript实现事件的响应，彻底解决了页面显示与业务逻辑的分离问题，而且还可以为不同的客户端输出页面。有效地降低了开发的复杂性，缩短开发周期，减轻后期的维护工作量。系统能较好地辅助液压系统故障诊断，提高解决故障问题的准确率和效率。

以斜盘式轴向柱塞泵为研究对象,运用AMESim软件构建了斜盘式轴向柱塞泵关键元件的模型,从而建立了斜盘式轴向柱塞泵的仿真模型.运用仿真模型分析负载、系统压力对柱塞泵运行的影响,为柱塞泵的设计及故障诊断提供依据.

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。

设计并构建多功能液压实验台,研究液压泵、液压缸等液压元件故障模拟及检测方法,分析溢流阀、电磁阀检测过程,研究液压系统故障加速方法。

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。