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%。

针对传统基于信号和噪声频谱不同而实现去噪方法的缺陷，研究了小波闽值求解方法和奇异值分解特征选取方法，提出了改进阈值的小波包奇异值去噪方法。该方法将输入信号小波包分解后，进行新闽值去噪，再利用奇异值分解法对重构后的信号进行去噪，改进阈值的小波包奇异值法去噪效果更好。用该方法对齿轮泵的正常状态和侧板磨损故障状态的振动信号进行去噪处理，能有效地抑制噪声。

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。

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。

利用故障树分析能明确表达逻辑关系和贝叶斯网络解决不确定性问题能力强的优点，通过转化算法建立两者之间的联系，研究了一种基于二状态故障贝叶斯网络模型，采用分层处理思想，进而计算出模型中任意结点的概率。液压缸爬行诊断分析实例证明了应用故障贝叶斯网络的实用性和有效性。

针对齿轮泵故障信息的不确定性和模糊性，提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征，构造故障贝叶斯网络，建立贝叶斯分类器进行多特征信息融合，利用最大后验概率准则判别故障类型。融合结果表明，该方法能够有效实现齿轮泵多种故障的诊断，具有广阔的应用前景.

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。

液压系统漏油是个日益突出的问题。从管路安装、油温控制、油液污染、选用和装配密封件4个方面阐述防治措施，提出相关防漏治漏理论。

选取液压油的光谱分析数据作为液压泵的寿命特征信息，针对油液采样问隔不等间距的情况，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％。