以某型装备溢流阀为研究对象,分析了常见的故障及其表现特征,选取了适于监测溢流阀故障的特征信号,设计了溢流阀的状态监测系统,并用此系统采集和分析了溢流阀发生故障时的数据,得到了不同故障发生时的故障信号特征。

针对液压泵振动信号出现的调制现象，提出基于集总平均经验模态分解（ensembleempiricalmodedecomposition，EEMD）和平滑能量算子解调相结合的方法进行解调，并运用小波包分解频带能量的方法提取了轴向柱塞泵的特征向量。首先，利用EEMD将采集到的柱塞泵振动加速度信号分解成若干个平稳的本征模函数（IMF）；然后，选取包含主要故障信息的本征模函数通过能量算子解调的方法进行包络解调，从而提取振动信号在高频谐振带的包络成分；最后，运用小波包理论提取各频带的能量作为特征向量。结果表明：基于EEMD和平滑能量算子解调的方法能有效地避免模态混叠现象，提取振动信号的包络成分，成功获得各种状态下的特征向量。

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别（Vanable Predictive Model based Class Discriminate,VPMCD）方法引人到液压泵的退化状态识别.对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别.仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力.通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性.

针对离散余弦变换（Discrete Cosine Transform，DCT）阈值降噪法存在的问题，提出一种自适应的余弦相邻系数（Cosine Neighboring Coefficients，CNC）降噪法，仿真信号分析结果表明CNC降噪法具有更好的降噪性能。将该方法与振动信号快速预白化（Fast Pre－Whitening，FastPW）技术相结合形成了一种液压泵振动信号预处理新方法：首先采用FastPW算法对液压泵振动信号预白化，去除信号中的谐波分量，得到仅包含冲击分量和白噪声的预白化信号；然后采用CNC降噪法对预白化信号进行自适应降噪。实测信号分析结果表明提出的方法能够很好地消除液压泵振动信号中的谐波分量和噪声成分，且能有效保留信号中的故障分量。

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。

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（MF-DFA）和半监督马氏距离模糊C均值（SSM-FCM）的液压泵退化状态识别方法。该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MF-DFA方法的计算精度;然后利用改进MF-DFA方法计算液压泵多重分形谱参数,并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α_0和广义Hurst指数波动均值Δh（q）作为退化特征量;最后利用半监督马氏距离模糊C均值方法实现了液压泵退化状态识别,并以液压泵实测数据为例验证本文所提方法的有效性。

为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。

提出了一种新的表征时间序列复杂度的方法——多尺度局部最大样本熵。多尺度局部最大样本熵不仅克服了样本熵只能在单一尺度上衡量时间序列复杂度的缺点，而且与多尺度熵相比，既提高了每个时间尺度上样本熵的精度，又抑制了振动信号中的噪声和干扰成分。通过对仿真信号的对比分析，验证了多尺度局部最大熵在处理振动信号上的优势，将其应用到液压泵振动信号的特征提取中，很好地区分出了液压泵的不同故障。

提出了一种新的衡量时间序列复杂度的方法——多尺度局部最大样本熵（Multiscale Local-maximum Sample Entropy简称MLSE）与多尺度熵相比MLSE抑制了振动信号中的噪声和干扰成分同时又提高了每个时间尺度上样本熵的计算精度。将液压泵不同状态下的MLSE作为特征向量利用可拓理论进行故障模型识别并将其与另外两种方法进行对比结果表明该方法故障识别准确率最高、耗时最短验证了该方法的优越性。

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题，提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs，采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分；对合成信号EEMD分解，用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号；对重构信号做Hil-bert变换求得包络谱，分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。