混凝土泵车是一种负载变化复杂、工作环境恶劣的工程机械,其内部元件常由于疲劳或油液污染引起各种故障的发生,混凝土泵车一旦出现事故往往对生产安全造成很大危害。根据统计,柱塞泵是混凝土泵车中最主要的故障源之一,但是柱塞泵作为泵车泵送动力的来源,既是旋转机械,又是往复运动机械和机液转换元件,工作过程中既有机械零件间的振动,又有工作介质引起的冲击,因而其给诊断带来了很大的难度。本研究分析了柱塞泵的结构特点与运动规律,指出常见故障的发生位置与振动频率,通过传统频谱分析方法做出功率谱与包络谱,但由于介质冲击影响严重无法找出故障特征。进而提出利用Hilbert-Huang变换的核心理论EMD,将实验台中测取的五种常见故障与正常状态的振动信号进行分解,得到与自身频率组成相符的各频段信号波形,通过分析将其中蕴含故障信息丰富的高频段分量建立时间序列AR模型,并将模型参数作为故障诊断的特征参数,作为后续神经网络的输入。神经网络具有强大的非线性映射和并行处理的功能,网络中的权值向量模拟人大脑神经元的记忆方式,可以较为稳定的存储来自输入样本的特征信息,并利用已有信息对新输入做出分类辨识,因此本研究利用较新型的Fuzzy ARTMAP神经网络对柱塞泵六种状态振动信号的特征参数进行学习与分类,结果表明该方法可以有效地完成诊断。本文还就特征参数个数对神经网络的分类效率影响进行了讨论,并实现了在不影响诊断准确率的条件下对特征参数数量的减少。