液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic ...

针对高空作业车工作过程中的能耗损失问题，对工作平台调平液压系统进行改进，并利用AMESim软件中的基本液压元件设计库构建三通压力补偿阀的模型，进而建立改进后的具有负载敏感特性的调平系统仿真模型，最后结合高空作业车的工作特性，对改进后的调平系统的动态特性进行仿真研究。研究结果表明：采用三通压力补偿阀的开芯式负载敏感系统能够根据负载的变化实时调整系统压力，进而对系统所需流量进行自动补偿，从而有效地减少高空作业车液压系统在工作过程中的流量损失及热损耗，达到节能效果。

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。

归纳了混沌工程学的研究分支评述了混沌工程学近年来的研究成果.指出利用混沌性质解决各种工程实际问题将是混沌工程学今后的主要研究方向.

针对不同故障类型下的液压泵振动信号具有不同复杂性的特点，将多尺度熵引入到液压泵故障识别中。多尺度熵是在样本熵的基础上通过引入尺度因子，从而能够分析信号在不同尺度因子下的复杂性。在多尺度熵的基础上定义一个同时考虑多尺度熵熵值大小和熵值变化趋势的指标——多尺度熵偏均值（PMMSE）。该指标定量地刻画故障信号的复杂性。将该指标用于液压泵的故障识别中。通过对液压泵4种不同运行状态的实测振动信号进行分析，结果表明PMMSE能够很好地区分出液压泵的不同故障类型，验证了该指标在故障特征提取中的有效性。

阐述液压系统故障检测与诊断技术的研究现状，指出现有各种单一诊断方法存在的缺陷，论述解析冗余与ＡＮＮ融合，小波分析、模糊逻辑与途径，并对今后的发展方向进行展望。

分析了（Ｄｕｆｉｎｇ）振子的混沌运动和间歇混沌动力。利用该振子与参考信号频差较小的周期小信号的敏感性，对白噪声及与参考信号频差较大的周期信号的免疫力，通过监测轴向柱塞泵壳体振动加速度信号，对柱塞泵松靴故障进行诊断，克服了传统的频谱分析和倒频谱分析诊断方法的缺陷，避免了伪警和漏报。

文章提出了一种基于动态流量的液压伺服系统故障诊断的新方法,即基于粗糙集神经网络专家系统的故障诊断方法,在分析了现有故障诊断方法及其局限性的基础上,重点阐述该方法的体系结构设计,详细讨论了知识获取模块和神经知识库等关键技术.最后给出了粗集神经网络推理机的工作过程.

针对液压泵故障检测手段的不完善性、信号获取装置的不稳定性等原因造成的诊断信息不完备性，提出一种基于灰靶理论的液压系统健康状态方法。该方法首先利用小波包消噪和Hilbert变换对信号进行预处理，然后提取液压泵故障信号特征，对不同严重程度的液压泵复合故障进行分析，将信号幅值域特征作为特征向量，最后通过建立标准故障模式，利用靶心度计算确定故障等级。实验研究表明，采用灰靶理论对液压泵进行故障程度分级是有效可行的。

综述了近来年电液伺服系统动态特性的研究成果及现状，并对其发展趋势进行了分析与展望。提出将现代非线性振动理论引入电液伺服系统，应用非线性动力学的理论揭示伺服系统动态过程的本质和机制，对系统进行状态监测和智能故障诊断，具有十分重大的意义，在科学与工程中具有广阔的应用前景。