液压泵是工业传动和控制的重要部件,其能否正常稳定的工作对于整个系统来说尤为重要,因此对其运行状况进行故障监测是十分必要的。一般各类液压泵的工作环境较为恶劣,很难直接有效的观测到其运行状态,而且内部故障机理复杂,单一的检测某个物理信号很难分辨出故障类型,通过构建多源传感器系统检测不同类型物理参数,利用智能算法对这些数据进行深入挖掘,以达到精确识别液压泵故障模式的目的。本文主要对液压泵复杂故障模式下的精确诊断进行了研究。根据JDL系统模型设计了一个符合液压泵故障诊断的三级多源传感器信息融合的故障诊断系统。数据级对传感器采集的数据进行特征提取和归一化处理;特征级利用本文提出自适应调节方法优化的PSO-BP网络对各传感子网进行故障分类;决策级利用改进的D-S证据理论对各局部故障诊断结果进行融合决策,最终输出一个精确度高的联合诊断识别结果,实现对液压泵故障的精确诊断。根据柱塞泵实际的故障出发,研究传感器数据类型与故障之间的关联度,选取温度、压力、振动信号的传感器对柱塞泵进行故障检测。进一步研究特征参数的提取,讨论各种无量纲幅值数据对柱塞泵各类故障的敏感性,选取能全面反映柱塞泵运行状况的参数,最终作为故障诊断网络的输入端。对于特征层,构造柱塞泵PSO-BP局部故障诊断网络。针对基本PSO粒子群寻优算法存在易收敛到局部最优、早熟以及后期搜索精度低的缺陷,根据PSO算法迭代更新公式出发,提出两种局部故障诊断优化方法,分别是动态加速常数以及自适应速度。通过对柱塞泵的诊断来验证优化后算法的可行性,结果得出优化的PSO-BP局部诊断算法能快速、有效的完成特征级各子网的诊断识别。针对单一的传感器局部诊断无法实现精确诊断的缺陷,引入多传感器联合诊断的方法。针对D-S证据理论融合存在的缺陷,提出基于指数函数的模型对数据源进行修正,并提出新的衡量证据间相互排斥程度的算法,避免局部诊断数据融合失败。最后通过案例来验证了改进D-S故障数据融合算法对柱塞泵故障诊断分类有较好的效果。