为从液压系统振动信号中提取有效特征进行故障诊断,针对随机噪声、端点效应和虚假分量会影响变分模态分解(VMD)的分解精度问题,提出了一种改进VMD的故障特征提取方法。首先,针对随机噪声会导致分解误差增大现象,提出了基于奇异值差分谱降噪预处理,该方法能抑制噪声对分解结果的干扰;然后,针对端点效应会导致VMD处理信号两端产生明显的飞翼现象,提出了基于支持向量回归机的端点延拓,该方法具有较高的拟合精度;最后,针对虚假本征模态函数(IMF)分量会导致VMD处理出现能量泄漏现象,提出了IMF能量熵增量的虚假分量剔除,该方法的真假分量具有区分性。仿真信号和实测液压信号分析表明:改进VMD能有效改善传统VMD方法在特征提取上的三个不足,可准确提取液压故障信号的主要特征频率,实现液压系统故障的精确诊断。

液压系统不同程度泄漏故障发生原因多样,特征十分相似,难以正确诊断.针对此问题,提出了改进的EEMD方法与GA-SVM结合的液压系统泄漏故障诊断方法.首先,在EEMD方法的基础上提出改进,抑制模态混叠和端点效应对振动信号分解的影响,保证信号分解的真实性.运用改进的EEMD方法将液压振动信号分解成若干个IMF分量,计算各IMF分量能量并归一化处理提取振动信号特征向量.然后运用遗传算法对SVM进行参数优化,将提取到的特征向量输入优化后SVM分类诊断,判断液压系统泄漏故障类型和严重程度.实验结果表明,该方法能够有效地应用于液压系统泄漏故障诊断.

针对随机噪声和虚假分量影响总体平均经验模态分解（EEMD）分解质量问题提出基于奇异值分解（SVD）和第二代小波变换（SGWT）联合降噪预处理和本征模态分量（IMF）能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换利用SVD对SGWT得到的高频系数进行降噪处理克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明SVD和SGWT联合降噪故障信号信噪比显著提高且失真度小抑制了噪声对EEMD分解精度的干扰能量熵增量能有效地去除虚假IMFHilbert谱中各频率成分清晰不混叠成功提取了液压系统故障特征频率。

应用Lab VIEW结合Matlab软件设计了液压系统故障信号分析系统从数据采集、预处理到分别通过时、频域信号处理方法有时域分析、相关性分析、频谱分析、倒频谱分析等;时频联合信号处理方法有短时傅立叶变换（STFT）、小波变换（WT）、经验模态分解（EMD）、集合经验模态分解（EEMD）等对液压系统正常、冲击、堵塞以及气穴等不同类型信号进行离线研究和分析。运行结果表明：该系统能对信号故障特征进行提取以便快速准确地查明和判别故障。

为了研究液压系统振动信号经EEMD分解前几阶IMF分量能否代表EEMD分解信号的主要成分提出了EEMD分解的相关主分量分析研究了EEMD相关主分量分析的效果。运用EEMD分解信号得到其IMF分量计算出各分量与原信号的相关系数从中找出信号的相关主分量通过对主分量进行Hilbert包络谱分析并与原信号的Hilbert包络谱比较来验证EEMD相关主分量分析效果。通过对实测信号研究表明某液压缸连续信号经EEMD分解后与原信号相关性较大的5阶IMF分量：IMF1、IMF2、IMF5、IMF6、IMF7包含原信号主要成分能表示该信号EEMD分解的主分量而前5阶却不能完整表示原信号的主分量;对液压缸冲击信号分析发现EEMD分解的前两阶IMF分量：IMF1、IMF2与原信号相关性较大能够准确地表示原信号所包含的频率成分和信息能表示信号EEMD分解的主分量代表EEMD分解信号的主要成分。因此EEMD相关主