液压机在现代生产中扮演极为重要的角色,液压机故障轻则引起生产线停产,重则造成安全事故,因此需对液压机工作状态作出准确判断。但是液压机系统构成复杂,采集信息具有多样性、随机性、复杂性和关联的层次性,日常运行时,需要监测的量有10多种,很多特征量之间是有相关性的,加上采集信息手段受各种因素影响,从而造成了信号的随机性和不确定性,对液压机的故障诊断造成了极大的困难,因此本文研究先进的液压机故障诊断方法,以获取液压机的准确工作状态。本论文将液压机的故障诊断分成两部分进行,一部分是液压动力子系统,另一部分是液压控制子系统。重点讨论了液压动力系统关键部件液压泵和液压控制子系统的故障诊断。由于液压泵工作环境恶劣,泵出口监测信号通常杂乱无章,容易被噪声信号淹没,单一传感器提取的时、频特征信息常呈现出较强的模糊性,采用常规信号处理方法难以有效提取故障特征。因此,需充分利用多传感器的信息源,以获得对设备状态的可靠估计。本文在液压泵的故障诊断中综合利用了泵壳三个方向的振动信号,并辅以液压泵外泄口温度信号,在两个层次分别对振动信号进行空间融合诊断、对振动网络诊断结果和温度诊断结果进行融合,获得对液压泵故障的准确诊断。而液压机控制子系统涉及的设备较多,采集的特征量非常繁杂,难以获得有效的故障诊断规则,故障诊断非常困难。因此对液压机控制子系统采用基于粗糙集理论的故障规则提取算法,通过属性约简和决策网络的构造,提取清晰规整的故障规则,根据这些故障规则,从液压控制子系统的表征就可以容易地推测出故障原因。最后,设计和实现了一套基于B/S结构的液压机远程在线监测与故障诊断系统,将本文所提出的先进故障诊断方法引入该系统,可在线获取设备现场数据,远程传送特征数据,实现远程故障诊断。工厂的实际应用表明该系统有效解决了液压机故障诊断难、诊断效率低的问题,获得较好的诊断效果。只要导入其它大型机电设备的知识库,该监控系统就可以方便地应用到其它大型设备的状态监测和故障诊断中。本文的主要创新点如下:(1)提出了PARD-BP(PARD,Pruning Algorithm based Random Degree基于随机度的剪枝算法)神经网络故障诊断方法,该方法在随机度的基础上,利用分治算法的思想对BP神经网络隐层的冗余节点进行剪枝,获取精简的网络结构,使网络具有更好的泛化性能,使故障诊断结论更可信;(2)提出了基于PSO(PSO,Particle Swarm Optimization粒子群优化算法)的H-BP多级神经网络故障诊断方法,该方法利用PSO计算上的优势,首先对Hopfield网络权值矩阵进行优化,再利用Hopfield对故障特征数据进行预处理,最后通过BP网络实现故障诊断。该方法可有效解决BP网络易陷入局部最小的问题,可有效提高神经网络的诊断精度;(3)提出了液压泵两级多源信息融合故障诊断模型,充分利用了多传感器的资源,最大限度发挥系统资源利用率。该模型采用PARD-BP神经网络进行各方向振动信号诊断后,进行一级振动子网诊断融合;再利用H-BP神经网络进行温度信号诊断;利用两种信号的诊断结果作为独立证据并构造概论分配函数,进行第二级D-S决策级融合。将数据融合技术应用于液压泵的故障诊断,一定程度上能获得精确的状态估计,增加置信度,提高诊断容错性和鲁棒性。(4)提出了基于粗糙集理论的液压控制系统故障诊断规则提取方法。为提高故障规则的提取效率,对粗糙集理论中的约简算法进行了优化,缩短了故障规则的提取时间:同时为了有效滤除噪声和处理不一致性规则,在准确度的基础上引入了规则覆盖度的概念,对提取的规则进一步评价,最终提取出有效的诊断规则。(5)将智能故障诊断理论引入到“基于B/S结构的液压机在线监测与故障诊断系统”中,与传统故障诊断系统相比,能消除信号噪声过大而导致的误诊和漏诊现象,并能实现设备状态信息的实时监控。