柱塞泵作为航空航天、深海探测、石油钻井、武器发射系统、动力机械传输等涉及国防、民生领域重大装备液压传动系统的核心动力源,其工作安全性、稳定性、可靠性至关重要。柱塞泵工作时,为旋转运动与直线运动的复合式运动。由于柱塞头与滑靴间接触摩擦、滑靴与斜盘间高速摩擦、柱塞与缸体孔内摩擦,易造成滑靴、斜盘、中心弹簧等部件发生故障,隐蔽、复杂的故障严重影响设备运行,危及生命安全,甚至造成重大国民经济损失。长期以来,保障设备安全可靠运行是机械领域的重要研究方向。本文以斜盘式轴向柱塞泵为研究对象,基于振动、压力、声音等多源异构信号,结合卷积神经网络强大的特征提取能力构建故障识别模型,并探究关键超参数对模型识别效果的影响,优化模型结构,提升模型识别性能,从而为拓展液压柱塞泵故障识别方法提供新思路。主要研究内容和成果如下:（1）首先,对柱塞泵关键摩擦副造成的斜盘磨损、松靴故障、滑靴磨损与中心弹簧失效故障的产生机理进行分析。通过加速寿命试验台采集柱塞泵故障状态和正常状态下振动、压力与声音时域信号,并对柱塞泵壳体X、Y、Z三个方向振动幅值大小进行分析,结果表明,垂直于柱塞泵端盖方向的振动幅值较大,振动更明显。进而,对时域信号进行连续小波时频转换,将一维时域信号批量转换为二维时频图,按照比例划分时频图集,构建故障样本库。（2）其次,以Z方向振动时频图作为故障样本库,构建AlexNet模型,初步实现柱塞泵故障信号的有效识别。在AlexNet模型的基础上,对模型结构进行了改进,构建出改进AlexNet模型,并探究学习率、卷积核数、批量数、弃权值等超参数对改进模型识别性能的影响,结果表明,在一定参数范围内,随着学习率的降低,所构建模型识别准确率先升高后降低,稳定性先降低后增强;随着批量数的增加,模型准确率逐渐升高,模型稳定性逐渐增强;随着卷积核数量的增加,模型识别准确率及稳定性逐渐增强并趋于平稳;随着弃权值的增加,模型随机失活过多神经元节点从而无法提取到足够特征,模型学习效果较差,同时较小弃权值会增加每层被保留的节点数,延缓模型收敛速度。进而,探究了改进AlexNet模型搭载Adadelta、Adam、RMSprop、SGD优化器时的性能差异,结果表明,搭载SGD与Adadelta优化器时,模型准确率在86%至93%区间内震荡,波动范围大,模型不稳定;模型搭载Adam与RMSprop优化器时,故障识别率在97%至98%左右波动,模型表现较稳定,且当搭载Adam优化器时,模型识别率比搭载RMSprop时高,准确率、误差曲线收敛也较快。（3）再次,以柱塞泵压力信号时频图集作为故障样本库,对改进AlexNet模型的泛化性能、鲁棒性能进行了探究,结果表明,改进AlexNet模型可以100%精准识别出柱塞泵五种典型状态信号。为了进一步验证模型故障识别时效性,将LeNet-5、Vgg11、Vgg13、Vgg16、Google Net、AlexNet模型与改进AlexNet进行比较,结果表明,改进AlexNet模型平均训练时间、验证时间较短,均在10秒内。（4）最后,以柱塞泵声音信号时频图集作为故障样本库,以LeNet-5模型为切入点,对其网络层进行改进,构建出Improve-LeNet模型。基于粒子群优化算法,以模型验证准确率为适应度函数目标值,对学习率、卷积核数、批量数等超参数进行自适应寻优,从而自动优化出一个识别率高、时效性快、稳定性强的PSOImprove-LeNet模型。并与LeNet-5、AlexNet、改进AlexNet、Vgg11、Vgg13、Vgg16、Google Net模型进行综合比较,结果表明,PSO-Improve-LeNet模型平均验证准确率为99.76%,准确率标准偏差最低,平均训练时间、验证时间较短,从而验证了超参数优化的有效性。