基于小波包分解理论提出一种柱塞泵松靴故障程度诊断方法。对液压泵出口压力信号进行3层小波包分解,充分利用时域、频域及时频域信息,解决了传统快速傅里叶变换无法准确判断松靴这一渐进性故障程度问题。对比多族小波的多个子小波并比较故障程度判断精确度,结果表明db4小波在对这一问题的处理中表现更为突出,精确度达到98.68%。

提出了一种基于Hilbert-Huang变换（HHT）和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解（EMD）和集总经验模态分解（EEMD）,结合短时最大熵谱分析选取对故障最为敏感的固有模态函数（IMF）分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明：EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。