由于液压系统结构复杂程度的增加，以及实际使用工况的恶化，所以增加了多种故障模式同时发生的可能性。但是，工程实际中可用的故障样本数量却非常有限。如何通过有限的数据进行多故障模式的准确识别成为一个亟待解决的问题。为此，首先研究了液压系统中液压缸、换向阀以及液压泵等元件的泄漏故障机理，进行了多元件泄漏故障模拟试验；然后对故障样本数据进行故障特征提取，采用粗糙集理论进行故障特征的约简；最后，在少样本的条件下，分别采用SVM和RBF神经网络进行液压系多故障模式的识别，并对分析结果进行了对比。结果表明通过建立多分类支持向量机在少样本情况下进行多故障模式识别方法的有效性。

液压系统在大功率和自动化工程机械中得到了广泛应用。但在工程实际中，由于结构复杂使得液压系统的故障诊断非常困难。特别是在现场施工过程中，如果液压系统的故障得不到及时处理，会导致设备长时间的停工而严重影响到施工效率。为此，提出了一个远程视情维护解决方案，通过对失效模式与影响分析（FMEA）方法的扩展和工程机械液压系统FMEA知识库的开发，实现专家知识与设备工作过程中实时采集数据的集成。介绍了系统的整体结构设计、数据采集、故障特征提取以及FMEA知识库的建立等关键技术，并给出了一个工程实际案例。