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。

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。

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。

在机械设备盲信号处理和故障诊断中,信号的非高斯性至关重要,而峭度是非高斯性的自然度量指标,它反映了机械信号信息的动态变化特征。基于此提出了基于峭度的ICA特征提取和故障诊断方法,首先提取机械设备多通道观测信号的峭度值（或标准峭度,或峭度绝对值,或峭度平方）,并依据观测通道顺序将峭度值组成低维ICA特征向量,进而利用最小二乘支持向量机进行机械设备的模式判别和故障诊断。试验表明：该方法的故障识别率基本上达到80%以上,而且相比标准峭度和峭度平方准则,基于峭度绝对值准则方法的模式识别率更高。

齿轮泵的振动信号中含有大量噪声，在对其进行应用之前必须降噪处理。传统的小波阈值降噪法在信号的奇异点附近会产生振荡现象，为此研究了一种新的小波阈值函数，把新的阈值函数和平移不变量相结合，提出了改进小波闽值法的平移不变量降噪方法。该方法克服了软、硬阈值的缺陷，同时抑制阈值法降噪时产生的伪吉布斯（Pseudo-Gibbs）现象。利用该方法对仿真信号和实测齿轮泵振动信号进行降噪处理，并与小波软、硬阈值法及新阈值法进行了对比。结果表明：该方法具有更好的降噪效果，可应用于齿轮泵振动信号降噪处理。

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。

阐述了容积效率作为特征信息进行液压齿轮泵状态监测与故障诊断的原理，分析了液压齿轮泵中流量信号以及容积效率与齿轮泵工况之间的关系，指出了容积效率是状态信息的丰富载体，讨论了利用容积效率进行液压齿轮泵状态监测与故障诊断的可行性及方法。

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。

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

针对利用压力信号进行故障诊断的液压齿轮泵，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，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。