为了更准确地对液压泵进行故障诊断,提出了基于WVPMCD(WLS-Variable predictive mode based class discriminate,WVPMCD)和层次模糊熵(hierarchical fuzzy entropy,HFE)的故障诊断方法;由于液压泵振动信号比较复杂,基于变量预测模型的模式识别(variable predictive mode based class discriminate,VPMCD)方法在对模型参数进行估计时会出现异方差的现象,从而导致参数估计出现病态,估计所得参数不稳定,从而降低预测精度;WVPMCD作为VPMCD的改进,采用更先进的加权最小二乘参数估计法代替最小二乘参数估计法,消除异方差的影响,提高参数估计的精度,进而提高液压泵故障诊断准确率;此外,在层次熵(HierarchicalEntropy,HE)的基础上提出了层次模糊熵的概念,模糊熵作为样本熵的改进,在衡量时间序列复杂度上并比样本熵更优越;运用WVPMCD和层次模糊熵对液压泵进行故障诊断,实验结果验证了该方法的有效性。

为了更有效地提取液压泵振动信号的特征,在多尺度模糊熵（Multiscale Fuzzy Entropy,MFE）的基础上,结合层次熵（Hierarchical Entropy,HE）提出了基于多尺度最优模糊熵（Multiscale Optimal Fuzzy Entropy,MOFE）的特征提取方法。基于多尺度模糊熵的特征提取方法是不够全面的,它仅仅分析了时间序列在各尺度上的均值成分,而非均值成分也应当被考虑在内。多尺度最优模糊熵通过引入层次熵的理论,首先,分析时间序列在不同尺度下的所有节点;其次,比较同尺度各节点的模式区分能力;然后,选取最能区分液压泵振动信号不同状态的节点为该尺度最优节点;最后,不同尺度下的最优节点模糊熵构成了对原时间序列的多尺度最优模糊熵分析。实验数据分析和比较结果验证了该方法的有效性。

针对局部特征尺度分解 LCD （ Local Characteristic Scale Decomposition）降噪方法处理非平稳机械振动信号存在的缺点，提出一种基于高频谐波加入．局部特征尺度分解HFHA-LCD （ High Frequency Har-monic Added-Local Characteristic Scale Decomposition）的方法来自适应实现液压泵非平稳振动信号降噪。该方法首先向原信号中加入高频谐波，然后对混合信号进行LCD分解，再以各内禀尺度分量ISC（Intrinsic Scale Component）与原信号的相关系数为准则选取有用ISC分量，最后以有用ISC分量重构原信号，达到降噪目的。仿真信号分析结果表明，HFHA—LCD较LCD可以有效抑制模态混叠现象，提高分解精度，HF—HA-LCD降噪方法的效果也明显优于LCD降噪方法，基于HFHA-LCD的液压泵振动信号降噪结果验证了该方法的有效性。

为了更有效地提取液压泵振动信号的特征，提出基于改进高频谐波加入一经验模态分解（High Frequency Har-monic Added-Empirical Mode Decomposition，HFHA-EMD）和双相关系数准则的液压泵特征提取方法。该方法首先采用幅值更大的高频谐波加入到振动信号进行EMD分解，得到一组本征模函数（Intrinsic Mode Function，IMF）；然后计算各IMF分别与高频谐波和振动信号的相关系数，选取符合条件的IMF重构振动信号；再对重构信号进行包络解调，得到包络谱；最后，以包络谱各频带能量占总能量的百分比构造液压泵振动信号的特征向量，结合支持向量机判断液压泵的运行状态．实验结果表明，改进HFHA-EMD有效抑制了模态混叠现象；同时，双相关系数准则准确去除了与故障无关而保留了与故障相关的IMF，为液压泵特征提取打下坚实的基础。