根据液压泵发生故障所表现出来的特征采用小波包能量值提取的办法作为故障类型识别的特征量采用BP神经网络对输入的特征量进行识别。实验结果表明：采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。

针对液压泵振动信号信噪比低、非线性及小样本等特点提出了一种基于小波包（ Wavelet Packet WP）分解、遗传算法（Genetic Algorithm GA）和支持向量机（Support Vector Machine SVM）的液压泵故障诊断模型即WP-GA-SVM模型。首先对液压泵振动信号进行小波包消噪预处理然后将消噪后的信号进行小波包分解与重构提取频带能量作为支持向量机分类器的输入特征向量。采用遗传算法来实现支持向量机核函数参数g和惩罚因子C的自动快速最优选择。最后通过与概率神经网络方法对液压泵故障诊断的对比分析验证了该模型的有效性和优越性。

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。