针对液压泵故障诊断问题,提出一种基于局部均值分解(LMD)、形态谱和核模糊C均值聚类相结合的方法。首先,用LMD分解液压泵振动信号,得到具有物理意义的若干个模态分量(PFs);其次,选取含有特征信息丰富的3个PFs为数据源,采用基于峰度值、能量和均方差的评价方法,从这3个PFs中提取出各个尺度上的形态谱的3个平均值,将其组成一个向量;最后,采用核模糊C均值聚类方法(KFCM)对不同工况下所有样本进行聚类分析,对液压泵故障进行诊断。此外,将信号采用经验模态方法(EMD)分解、模糊C均值聚类方法(FCM)分析,结果表明LMD和KFCM分别优于EMD和FCM;该方法诊断精度高,是液压泵故障诊断的有效方法。

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。

提出了一种基于变分模态分解（VMD）消噪和核模糊C均值（KFCM）聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法，弥补了VMD方法通常按经验选取预设尺度数方法的不足；然后对振动信号进行VMD分解得到K个限带的内禀模态函数（BIMF）分量，利用归一化的自相关系数函数能量集中比大于0．9的原则确定含有噪声的BIMF分量，并剔除这些含噪BIMF分量，再将剩余的BIMF分量叠加进行信号重构，实现了信号的消噪；最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集，并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证，结果表明与经验模态分解（EMD）方法相比，可以有效地实现滚动轴承早期故障诊断。

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象,首先用局部投影消噪方法对振动信号进行消噪;其次对消噪后的振动信号绘制递归图,进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取,选择确定率(DET)和递归熵(ENTR)2个特征构成特征向量,构成故障特征样本;然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别;最后,将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明,基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。