针对目前某型导弹发射装置液压设备缺少必要检测手段的现状,基于虚拟仪器技术设计了一种液压设备检测系统。首先通过分析导弹发射装置液压设备常见的故障模式,确定了重要特征参数;然后介绍了液压设备检测系统的硬件设计和软件开发。该检测系统是一个实时多通道PC-DAQ系统,其主要任务是对液压设备工作性能进行在线检测,完成对重要特征参数的采集、处理、分析、记录等功能。该系统人机交互界面好、操作简单方便,能够明显提高检测效率。

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。

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。

在对液压泵的常见故障进行机理分析的基础上,针对液压泵振动信号出现的调制现象以及Hilbert变换解调的非瞬时响应特性,提出基于小波-平滑能量算子解调的液压泵故障分析方法.首先对采集到的液压泵壳体的振动信号进行小波分解,并对高频系数进行重构以获得高频信号分量;然后对高频信号分量进行平滑能量算子解调;最后对解调得到的瞬时幅值进行频谱分析,判断液压泵的工作状态和故障类型.实验结果表明,该方法能实现液压泵正常、滑靴松动、滑靴磨损三种状态的分类,是进行液压泵故障诊断行之有效的方法。

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。