由于轴向柱塞泵长期处于高压、高温和腐蚀性气体等恶劣环境下,导致轴向柱塞泵的故障率大大提高。因此,对柱塞泵进行早期的故障诊断有重要的意义。本文针对轴向柱塞泵运行状态下的故障信号具有非线性、不平稳以及干扰大等缺点,运用小波阈值、局部均值分解（Local Mean Decomposition,LMD）以及精英混沌粒子群（Elite Chaos Particle Swarm Optimization,ECPSO）优化支持向量机（Support Vector Machines,SVM）算法在故障信号的预处理、特征提取以及模式识别领域进行研究,进一步优化故障诊断方法的识别准确率。本文主要从以下四个方面对轴向柱塞泵早期故障诊断展开研究:（1）轴向柱塞泵振动机理研究论文对轴向柱塞泵的机械结构和工作原理进行分析说明,通过对轴向柱塞泵振动机理和失效形式的研究,找出其常见的故障诱因。根据柱塞泵内部的振动传递路径找出振动的最终受力点,为柱塞泵的早期故障诊断奠定基础。（2）轴向柱塞泵故障特征提取方法研究根据对柱塞泵振动传递路径的分析,在对应的最终受力点处布置振动加速度传感器,多点采集其故障振动信号。针对硬、软小波阈值函数的不连续性和存在恒定误差等缺点,提出一种自适应小波阈值函数（Adaptive Wavelet Threshold Function,AWTF）信号处理方法。该方法通过计算各层分解后数据与原始数据的相关系数,自适应的调节小波阈值,提高算法的降噪性能。同时,采用LMD算法对降噪后的信号进行分解,并利用波形匹配延拓和分量相关性方法,降低LMD端点效应和虚假分量对分解结果的影响,提高故障特征提取的完整性。（3）基于ECPSO-SVM的柱塞泵故障模式识别方法研究针对传统粒子群（Particle Swarm Optimization,PSO）求解精度低、寻优耗时长以及易陷入局部最优的问题,提出一种改进的精英混沌粒子群优化SVM算法。本文以PSO为基础,引入精英混沌搜索策略,筛选精英个体,降低搜索维度。在粒子位置更新式增加寻优扰动χ和交叉变异操作,防止算法在邻域内陷入局部寻优。利用ECPSO算法优化SVM中的惩罚因子C与核函数参数θ,得到一种新的柱塞泵故障分类模型（ECPSO-SVM）。论文以轴向柱塞泵为研究和分析对象,搭载故障测试平台,对轴向柱塞泵的故障进行诊断研究。实验结果证明,ECPSO-SVM柱塞泵诊断模型的诊断准确率为98%,能够有效、快速的进行故障分类。