液压轴向柱塞泵是液压传动系统的动力“心脏”,在国防装备、工业装备、应急抢险救援装备、深海深地资源勘探开采装备和科学研究装备等领域应用广泛,其工作的可靠性是保证装备高精度、高速、连续稳定运行的关键。一旦产生故障,轻则导致停机,重则致使装备整体失效,甚至引发机毁人亡的灾难事故,酿成重大经济损失和严重社会影响。因而,为了提高液压轴向柱塞泵运行的可靠性、减少故障发生率,本文结合国家智能制造发展需求,以液压轴向柱塞泵为研究对象,融合数据挖掘、机器学习等智能科学,探究利用人工智能理论的新思路、新方法,开展液压轴向柱塞泵智能故障诊断方法研究,为液压轴向柱塞泵的智能故障诊断与健康管理提供理论依据,提升液压轴向柱塞泵的智能化和可靠性。本文主要研究内容与结果如下:1.本文综合分析了液压轴向柱塞泵典型故障产生机理;介绍了经典时频分析方法的基本原理和理论基础;研究了卷积神经网络（CNN）的基本结构和训练流程;探究了贝叶斯优化算法的基本原理和实现方法;构建了时频分析与CNN相融合的智能故障诊断方法,为液压轴向柱塞泵典型故障的智能诊断提供了理论依据。2.本文组建了液压轴向柱塞泵故障模拟实验系统,实现了常见典型故障模式的人工模拟,完成了典型故障状态的模拟实验和状态数据采集,为智能故障诊断模型的训练与验证提供数据支撑;充分利用连续小波变换（CWT）、同步压缩小波变换（SWT）、S变换（ST）在非平稳信号时频变换方面的优势,完成了多工况多源信息的时频域转换;构建了多工况多源信息时频特征故障样本库,完成了液压轴向柱塞泵典型状态的故障样本划分及标签配置,为智能故障诊断模型的训练与验证提供了输入源。3.本文对传统经典Le Net 5、经典Alex Net模型进行了改进,构建了改进Le Net5、改进Alex Net模型新结构;探索了液压轴向柱塞泵振动信号、声音信号、压力信号CWT时频特征与改进Le Net 5、改进Alex Net模型相融合的诊断效果;探究了学习率、训练轮次、批量尺寸、Dropout比率、卷积核个数与尺寸等关键超参数对模型诊断效果的影响,确定了改进Le Net 5、改进Alex Net模型的训练参数和结构参数;完成了基于贝叶斯优化算法的诊断模型参数优化,实现了改进Le Net 5、改进Alex Net模型关键超参数的自适应学习。改进Le Net 5模型、改进Alex Net模型与CWT时频特征相融合的智能故障诊断方法对液压轴向柱塞泵5种典型状态的平均分类正确率分别可达96.94%以上、98.44%以上。4.本文基于改进Le Net 5、改进Alex Net模型,提出了SWT与改进Le Net 5、改进Alex Net模型相融合的智能故障诊断方法;研究了液压轴向柱塞泵振动信号、声音信号、压力信号SWT时频特征与改进Le Net 5、改进Alex Net模型相融合的诊断效果;采用贝叶斯优化算法对改进Le Net 5、改进Alex Net诊断模型进行了超参数优化,实现了改进Le Net 5、改进Alex Net模型关键超参数的自适应学习。改进Le Net 5模型、改进Alex Net模型与SWT时频特征相融合的智能故障诊断方法对液压轴向柱塞泵5种典型状态的平均分类正确率分别可达94.31%以上、96.69%以上。5.本文对改进Le Net 5模型进行了深化改进,构建了自适应归一化CNN模型新结构;采用贝叶斯优化算法对归一化CNN诊断模型进行了超参数优化,实现了归一化CNN模型关键超参数的自适应学习,提升了诊断模型的综合性能;提出了CWT、SWT、ST等不同时频分析与归一化CNN模型相融合的智能故障诊断方法,研究了液压轴向柱塞泵振动信号、声音信号、压力信号CWT、SWT、ST时频特征与归一化CNN模型相融合的诊断效果。自适应归一化CNN模型与CWT、SWT、ST时频特征相融合的智能故障诊断方法对液压轴向柱塞泵5种典型状态的平均分类正确率分别可达97.46%以上、96.47%以上、85.96%以上。和传统经典Alex Net模型与时频特征相融合的诊断方法相比,所提方法每轮次训练消耗的平均计算时间减少2倍左右。本文提出了多种时频变换与改进卷积神经网络模型相融合的智能故障诊断方法,基于液压轴向柱塞泵多源异构信号对融合方法的诊断效果进行了创新性地研究探索,提升了诊断模型的分类识别性能,提高了基于多源异构信号的故障诊断精度与泛化能力,为液压轴向柱塞泵新型智能故障诊断方法的研发和工程应用奠定了理论基础。