针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机（support vector machine,简称SVM）的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP（back propagation,简称BP）神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。

挖掘机在施工过程中，挖掘状态的不同直接影响到动臂铰接点处受力的大小。针对液压挖掘机动臂铰链连接处频繁发生断裂的问题，提出了一种基于支持向量机在动臂铰接点处受力的研究方法。基于支持向量机，利用ADAMS仿真找出了动臂铰点中受力最大的铰点，确定了影响铰点处受力的主特征量，搭建了动臂铰点受力支持向量机预测模型。利用MATLAB对支持向量机模型进行验证，实例验证了支持向量机对动臂铰点受力预测的可行性，相对于BP神经网络在小样本上更加精确，并为动臂工况参数的选择提供了依据。