液压系统是一类非线性特征突出的系统，具有多功能组成部件、多种操作模式、多工况时空耦合、多参数监测信号等特征。这类对象的自动化程度和系统规模日益增加，功能需求更加专业化和多样化，其运行和监测的复杂程度远较传统的液压系统更高受此影响，在运行过程中出现故障的可能性大大增加，形成液压系统以及更高一级系统的安全性和可靠性方面的风险。在分析了大量液压系统故障案例后发现，由于液压系统本身结构和机理的复杂特性，其系统内部结构无法直接观测，故障机理难以完整获取，故障类型种类较多，特别是在规模效应与上述特性复合作用的情况下，由多个异常形成的故障模式较为隐蔽但可以在任何时间和位置上出现。对于这种时空关联耦合的并发型故障诊断，一直是学术界和工业界所关注的重点难点内容。本文以此作为切入点，针对基于多元时间序列分类的液压系统并发型故障诊断开展了相关研究，主要内容如下：
　　研究了液压系统故障的故障机理和液压系统的结构特点，分析了主要故障及其故障特征，针对液压系统并发型故障中存在的问题引入基于数据驱动的故障诊断方法，通过建立数据到故障的映射关系实现了故障的表征。用从液压系统故障模拟平台传感器网络提取到的故障状态监测数据进行分析验证，表述了该映射方法的可行性，以此为基础形成了液压系统并发型故障诊断的技术路线。
　　针对故障状态监测数据的多元时间序列特点，选取多元时间序列分类作为液压系统并发型故障诊断的方法，提出了一种基于1NN-SVM的多元时间序列分类方法。利用机器学习算法提取多元时间序列数据中的相关特征，引入最近邻1NN算法提取数据中时序性特征，将相关特征转换为特征标签；在对特征标签分类后，利用多分类OVO-SVM完成整个多元时间序列分类过程。最后将提出的方法引入液压系统故障元件单一故障实验中，验证所提出的基于多元时间序列分类的液压系统故障诊断算法的有效性。
　　针对液压系统工作过程中噪声对传感器获取故障状态监测数据时的影响，将领域无关分类算法和领域相关分类算法结合，提出了一种新的多元时序特征提取结构，以改进特征提取精度。提出了一种基于Attention思想的自适应多元时序特征提取模块，长短时间记忆网络（Long Short-Term Memory,LSTM）作为Attention结构中解码器和编码器对原始数据进行特征提取。利用1NN-SVM方法完成特征空间中的多元时序特征分类，消除了噪声对多元时间序列分类结果的影响，进一步提升了故障诊断精度并通过液压系统故障元件单一故障实验对改进方法进行了验证。
　　针对实际液压系统单一故障和并发型故障情况，对两种方法进行了相关的实验和结果分析。实验分成了两个部分，第一部分是对各个故障元件的单一故障情况的故障诊断和所有单一故障的识别；第二部分是并发型故障情况中，两个故障元件并发型故障的诊断和所有可能出现的并发型故障的故障识别。实验结果验证了对本文提出算法在故障诊断方面的可行性。论文最后给出了基于多元时间序列分类的液压系统并发型故障诊断方法与常见方法的对比结果，说明了提出算法的优势。