轴向柱塞泵作为液压系统中主要的动力源,其工作状态是否发生故障将会直接影响整个液压设备系统的正常运行。因此本文以轴向柱塞泵为研究对象,对其进行故障机理分析及模式识别故障诊断方法研究,内容如下:(1)从轴向柱塞泵的工作原理入手,对其产生故障振动的原因进行深入分析研究,并对泵体内部重要零部件应力集中的位置进行受力分析,找到内部故障振动信号的传递路径及振动最终的壳体受力点,并在此基础上对轴向柱塞泵的故障振动信号进行采集处理。(2)对采集到的故障振动信号利用新构造的小波阈值函数进行降噪处理,获取降噪后的振动信号。对局部均值分解算法(LMD)的分解原理进行分析研究,针对其存在的端点效应及分解量过多等问题利用相关方法进行改进,在保证原PF分量特征信息的同时缓解端点效应问题,提高LMD算法的分解能力。结合小波新阈值函数的降噪优势与局部均值算法的分解特点,提出了一种基于NW-LMD分解算法的能量特征提取方法,并通过与LMD分解算法进行对比实验验证,证明该算法在故障特征能量提取方面的优越性。(3)在诊断系统中引入BP神经网络算法,针对BP神经网络算法存在局部极小值和收敛速度过慢的缺陷,采用粒子群算法对BP神经网络的权值和阈值进行优化并找到全局最优解,提高了BP神经网络算法的运行速度和收敛精度,提出了一种新的基于PSO-BP神经网络算法的故障诊断方法。运用该方法对提取到的轴向柱塞泵故障特征能量信息进行实验仿真研究,最终利用实验证明了PSO-BP神经网络算法相较于传统的BP神经网络算法在轴向柱塞泵故障诊断方面拥有更快、更精确的故障识别能力。通过对部分实际样本数据的测试,验证了论文提出的基于NW-LMD算法和PSO-BP神经网络算法的故障诊断方法具有实际可行意义,对于在复杂工况条件下的轴向柱塞泵故障诊断具有重要的现实意义。