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。

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。

提出基于驱动端电流检测的电磁阀故障诊断方法，研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型，分析其驱动端电流与阀芯位移的关系；采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号，分析不同状态的电流特征；针对驱动端电流为直流阶跃信号的特点，选取电流变化率为特征曲线，采用“能量-故障”的诊断方法，利用3层小波包分解对信号进行重构，并提取相应频带能量作为特征向量；利用前馈反向传播（BP）神经网络对提取的特征向量，对电磁换向阀模式识别和故障诊断。实验结果表明：基于“能量-故障”的诊断方法能较好地区分电磁阀的不同状态，并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。

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。

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。

选取某型装备溢流阀为研究对象，根据实际需求设计了DAQ硬件平台，并结合LabView虚拟仪器对采集到的数据进行小波包分析，将信号的能量分解到各个频带，通过能量柱形图反映出不同故障时的能量变化，并提取了故障的特征参量，为故障预测打下基础。

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法.小波分析良好的时频局部化性质,适于检测正常信号中夹带的瞬态反常现象并展示其成分,这在旋转机械状态监侧及早期故障诊断中具有重要意义.本文给出利用小波包分析在内燃机车静液压齿轮箱故障诊断中提取微弱轴承冲击故障特征的实例.

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，及传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了一种将小波包变换和改进Elman神经网络相结合，进行液压泵故障诊断的新方法．利用具有紧支结构的小波函数对信号进行分解，削减小波系数以滤除信号中的噪声；单支重构以有效提取各频带的故障特征，并以频带能量作为识别故障的特征向量；应用改进的Elman神经网络建立从特征向量到故障模式之间的映射，实现液压泵故障分类．试验结果表明，采用小波包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断．

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。