针对量子遗传偏最小二乘法在特征选择过程中,存在初始化种群粗糙和适应度函数复杂等问题,提出了一种新的特征选择方法——改进的量子遗传偏最小二乘法(Improved Quantum Genetic Algorithm Partial Least Square,IQGAPLS)算法。该算法根据求解问题的实际情况,赋予种群初始值。同时,设计了一种新的适应度函数,以减少计算量,并基于此适应度函数,提出了一种新的旋转角度更新公式,解决了其方向和大小确定困难的问题。将该算法应用于轴向柱塞泵故障信号的特征选择中。实验结果表明,IQGAPLS算法具有较少的计算量和较短的执行时间,选择出的特征包含更多的工作状态信息,从而提高了分类准确率。

为了进一步减少特征维数、缩短运算时间、提高分类正确率等，提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法，该方法采用量子位进行染色体编码，利用量子门更新种群。首先，对轴向柱塞泵振动信号进行小波包变换，提取出原始信号和各个小波包系数的统计特征；然后，利用量子遗传算法从原始特征集中选择出最优特征集；最后，以神经网络为分类器（其输入为最优特征集），对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择，试验结果表明，与普通遗传算法相比，量子遗传算法可以更有效地减少特征维数，提高分类正确率。

为了解决液压泵早期故障诊断难的问题,提出了一种基于渐近式权值小波降噪和Adaboost算法的液压泵故障诊断方法。针对早期故障特征难以有效提取的问题,根据最优化理论,通过对传统小波分析方法得到的信号进行渐近式权值的选择,得到了信噪比较好的降噪信号,并从中选取了最优特征集。同时,针对神经网络过学习和欠学习的现象,采用Adaboost算法对最优特征进行训练,实现了对不同故障类型的识别。实验结果表明,渐近式权值小波降噪能有效地去除噪声,提高信噪比,较为有效地提取最优故障特征;与BP神经网络相比,Adaboost算法具有更高的故障识别精度。

采用Hilbert-Huang变换，提取轴向柱塞泵泵壳振动信号故障特征。该方法先对信号进行EMD分析和Hilbert变换，再提取信号Hilbert谱及能量谱。能量谱反映了信号能量的大小和分布的复杂性，为信号特征的提取提供依据。实验分析结果表明，提取的特征有效地刻画了故障信号，为故障模式的识别奠定了基础。

常规直流换流阀内冷水系统配水管路中存在各个支路水流分配不均问题，并且急需解决。该研究从理论上对薄壁孔的刚度、节流及稳流特性进行了分析，提出了一种在配水管路中引进薄壁孔的技术，并通过仿真实验证明了该技术的有效性，分析了如何应用薄壁孔于整个内冷水系统来调节配水效果。在实测实验中，分析了薄壁孔在配水管路中的流量特性，进一步论证该技术适于配水管路的需求。

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类。从轴向柱塞泵的所有故障中，选出两种典型故障：缸体与配流盘磨损、柱塞滑履松动。从轴向柱塞泵原始振动信号中提取这两种故障特征的数据，经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合（GA—PLS）特征选择后，确定最优的故障特征集。为了解决训练时间较长及权重调整过适应等问题，提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法。分别使用AdaBoostM1，改进型AdaBoost构建分类模型比较其分类效果。结果表明：改进型AdaBoost使用仅含有少量的特征组成的最优特征集，可以得到较好的分类结果。

针对液压泵多故障诊断和特征提取上的瓶颈问题，提出了应用概率因果模型的液压泵故障诊断法，以斜轴泵为例，在分析其故障特征的基础上，从测得的振动信号中提取故障特征频段，建立模型，以遗传算法实现对故障的搜索，实验结果与事实相符，从而为液压泵多故障诊断提供了一条有效途径。

传统反后坐理论假设火炮后坐结束时制退机非工作腔内有真空段基于该假设的火炮复进计算结果与实测结果有一定差异.以制退机非工作腔空化试验和压力试验为手段研究了火炮后坐时制退液的空化现象及考虑制退液空化时制退机复进液压阻力的计算方法.研究结果表明：制退液在火炮后坐时发生了剧烈空化后坐结束时制退机非工作腔内充满制退液空化泡并不存在真空段.制退液空化泡是在复进过程中逐渐溃灭的制退机非工作腔几乎不提供复进液压阻力.采用传统理论计算方法会导致对制退机复进液压阻力的高估.考虑制退液空化效应时计算出的制退机复进液压阻力功比传统理论值小4.5％火炮最大复进速度比传统理论值大10.5％.该结论为制退机的合理设计与故障诊断提供了参考.