针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性。结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征。

针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影（LPP）算法的故障特征提取方法。采用集总经验模态分解（EEMD）法对液压泵振动信号进行分解,从得到的内禀模态分量（IMF）中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别（VPMCD）算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。

针对液压泵压力信号呈现的非线性、非平稳的特性，提出一种将小波包分析、相空间重构理论与支持向量机（SVM）相结合的预测方法，实现液压泵压力信号监测数据的建模及预测。首先将采集到的压力信号通过小波包进行分解，将分解得到的各个分量进行重构，其次对重构后的每一个分量通过混沌支持向量机预测模型进行预测，最后对各预测值进行合成。试验数据表明，该方法能够有效地预测液压泵压力信号的变化趋势，具有较高的预测精度，可有效地应用于系统的状态监测和故障预测。

液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中，其振动信号复杂度高、非线性强，难以有效地提取退化特征，为此，本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解（ILCD）方法对振动信号进行分解，并利用贝叶斯信息准则与所构建的敏感因子，对内禀尺度分量进行筛选，以减少干扰分量的影响，得到敏感分量，有效抓取特征信息；在此基础上，引入离散余弦变换代替传统复合谱分析中的傅里叶变换，提出离散余弦变换一复合谱（DCS）算法，以解决信息遗漏问题，并利用DCS对敏感分量进行融合，提取复合谱熵作为退化特征，以提高对退化过程的表征能力；最后，通过对液压泵性能退化试验实测振动信号的应用分析，验证了该方法的有效性。

将排列熵引入液压泵的故障识别中,分析了排列熵作为液压泵故障特征指标的性能;采用互信息法和伪近邻法优选排列熵计算中的延迟时间和嵌入维数,基于优选参数得到了能够更好区分液压泵故障的排列熵。针对单尺度排列熵只能在单个尺度上衡量振动信号复杂度的不足,在对多尺度排列熵进行研究的基础上提出了一种综合多尺度排列熵熵值和排列熵变化趋势的指标——多尺度排列熵偏均值,对液压泵实测信号的分析结果验证了该指标作为液压泵故障特征的有效性和优越性。

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题，提出基于形态非抽样融合与DCT（Discrete Cosine Transform）高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法，通过构建特征能量因子筛选各分解层近似信号，据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息；并利用DCT高阶谱分析法对融合信号进一步处理，通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量；用仿真信号及液压泵实测振动信号验证该方法的有效性。

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,简称MF-DFA）的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。

针对液压泵振动信号出现的调制现象,该文提出一种基于经验模态分解（EMD）和相关性分析的包络解调方法,并与基于小波包理论和Hilbert变换的包络解调方法进行了对比,通过分析某型装备液压泵在各种故障状态下的振动信号,成功提取了调制信号在高频谐振带的包络成分。通过两种方法的对比可以得出：两种方法都能较好的提取对象的故障特征,但改进EMD方法所提取到的故障特征更为准确,能量丢失较少。

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。