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。

在液压设备恒定应力加速寿命试验中，针对应力的加载方式引起的热冲击和单目标参数带来的分析精度问题，设计了基于多目标参数的液压设备恒定应力加速寿命试验。首先，利用Burr Ⅻ型分布建立恒定应力加速寿命试验的数学模型，并以试验产品分位寿命的渐近方差加权和最小为目标，计算出试验最优的低应力水平以及产品在低应力水平和高应力水平上的最佳分配比例；其次，计算出模型参数的置信区间并对模型参数进行敏感性分析；最后，以莱液压产品为实例进行分析。结果表明：该试验有助于提高液压产品可靠性分析的精度。

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。

论文设计了液压泵加速退化试验的试验方案,在分析了加速退化试验的理论模型的基础上,给出了威布尔分布下加速退化模型模型参数的评估方法,并对威布尔分布下液压泵的可靠度、平均寿命以及可靠度寿命进行了研究。最后,以某型液压泵为实例,对其进行了可靠性评定和剩余寿命预测。

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。