以某型装备溢流阀为研究对象,分析了常见的故障及其表现特征,选取了适于监测溢流阀故障的特征信号,设计了溢流阀的状态监测系统,并用此系统采集和分析了溢流阀发生故障时的数据,得到了不同故障发生时的故障信号特征。

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别（Vanable Predictive Model based Class Discriminate,VPMCD）方法引人到液压泵的退化状态识别.对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别.仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力.通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性.

针对轴向柱塞液压泵故障引起的振动信号非线性强、故障信息湮灭在噪声干扰的问题,提出一种基于加权形态非抽样小波分解（WMUWD）的振动信号预处理方法。首先,在形态非抽样小波分解的一般框架下,提出WMUWD方法,利用特征能量因子表征形态非抽样各分解层近似信号对故障特征的贡献量,并以此为依据进行加权融合,以提高有用信息比重,便于特征提取;在此基础上,对WMUWD方法的初始参数设置进行了分析,给出了一套比较系统的优选组合方法;最后,利用仿真信号以及液压泵实测振动信号验证了该方法的有效性。

在液压设备恒定应力加速寿命试验中，针对应力的加载方式引起的热冲击和单目标参数带来的分析精度问题，设计了基于多目标参数的液压设备恒定应力加速寿命试验。首先，利用Burr Ⅻ型分布建立恒定应力加速寿命试验的数学模型，并以试验产品分位寿命的渐近方差加权和最小为目标，计算出试验最优的低应力水平以及产品在低应力水平和高应力水平上的最佳分配比例；其次，计算出模型参数的置信区间并对模型参数进行敏感性分析；最后，以莱液压产品为实例进行分析。结果表明：该试验有助于提高液压产品可靠性分析的精度。

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解（EEMD）和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵（spatial information entropy,简称SIE）的概念,分析了空间信息熵3个参数（时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ）变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对...

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影（LPP）算法的故障特征提取方法。采用集总经验模态分解（EEMD）法对液压泵振动信号进行分解,从得到的内禀模态分量（IMF）中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别（VPMCD）算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。

针对液压泵压力信号呈现的非线性、非平稳的特性，提出一种将小波包分析、相空间重构理论与支持向量机（SVM）相结合的预测方法，实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解，将分解得到的各个分量进行重构，其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测，最后对各预测值进行合成。试验数据表明，该方法能够有效地预测液压泵压力信号的变化趋势，具有较高的预测精度，可有效地应用于系统的状态监测和故障预测。

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题，提出基于形态非抽样融合与DCT（Discrete Cosine Transform）高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法，通过构建特征能量因子筛选各分解层近似信号，据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息；并利用DCT高阶谱分析法对融合信号进一步处理，通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量；用仿真信号及液压泵实测振动信号验证该方法的有效性。

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。