液压管路长期工作在高压力、强振动的环境中,极易发生附件松动、裂纹,甚至泄漏等故障,针对不同的故障需要采取不同的应对措施。因此通过传感器监测液压管路的运行数据,从中提取有效的故障特征,及时识别故障十分有必要。目前针对故障特征提取的研究主要集中于时域、频域和时频域,且多集中于对单一故障的研究,而缺少对故障类型的识别。本文针对液压管路附件卡箍松动和裂纹两种故障,从传感器信号的相位中提取有效故障特征,研究两种故障的不同特征形式,对故障进行程度、类型识别和定位。主要研究内容如下:(1)针对常用特征提取方法在液压管路故障识别中效果不佳的问题,提出一种基于瞬时相位的特征提取方法。该方法利用瞬时相位波形固定、对信号成分变化敏感的特点,通过其自相关散点图放大由故障引起的传感器信号成分的变化,并计算散点图的散度作为有效的故障特征。将该方法应用于三维振动信号上,对不同程度的卡箍松动和裂纹故障进行识别,并且可以有效地识别故障类型。相比于其他常用特征提取方法,所提出的方法具有更高的故障识别准确率。(2)为解决液压管路故障定位问题,针对分布式光纤布拉格光栅(Fiber Bragg Grating,FBG)应变信号提出基于多元经验模态分解(Multivariate Experience Modal Decomposition,MEMD)和瞬时相位的液压管路故障识别与定位方法。首先对分布式FBG信号进行MEMD处理,对每个FBG分别进行不同频率尺度下的相位特征提取,然后根据每个分量的能量大小为之分配相应的权值,并对相位特征进行加权求和。最后针对相位特征对信号幅值变化不敏感的问题,在其中融入信号的幅值信息。结果表明,根据加权融合特征向量可以很好地对管路故障进行识别和定位。(3)为提高液压管路故障类型识别准确率,提出一种基于相位纹理图像和词袋模型的故障类型识别方法。首先通过相位解卷绕技术将取值范围在[-π,π)区间的卷绕相位展开,利用展开相位的线性特性,构建基于分布式FBG的相位纹理图像,并基于灰度梯度共生矩阵构建特征词典。然后采用词袋模型表示所构建的纹理图像,并结合支持向量机(Support Vector Machine,SVM)进行训练和预测,实现对卡箍松动和裂纹两种故障的类型识别。