液压泵是液压系统的能量来源和故障源,液压泵中的轴向柱塞泵具有结构紧凑、泄漏少、容积效率高、压力大和易于控制流量等优点。由于轴向柱塞泵的故障十分隐秘难于发现,且故障多样化,因果关系复杂,使其故障难以诊断。因此,对轴向柱塞泵典型故障特征进行提取并进行故障诊断十分必要。首先,对柱塞泵进行结构与工作原理分析,以便了解柱塞泵常见的故障位置及其特性,并应用柱塞泵故障采集系统对相关故障信号进行采集。其次,分别使用一维卷积神经网络与二维卷积神经网络对柱塞泵进行故障诊断。结果表明两种卷积神经网络均可以对柱塞泵故障进行有效诊断,但二维卷积神经网络可以简化卷积层层数,且模型训练时间更短,故障诊断性能优于一维卷积神经网络,平均故障诊断准确率达到98.26%,同时通过滚动轴承故障数据集验证了CNN-2D模型的泛化性与鲁棒性。再次,采用EMD与EWT算法将故障信号分解成有限的内禀模态函数,结合二维卷积神经网络对柱塞泵进行故障诊断。结果表明EWT结合二维卷积神经网络的方法优于EMD结合二维卷积神经网络,且在更加精简神经网络层数的基础上故障诊断准确率仍可达到100%。最后,选取循环神经网络中的LSTM模型对柱塞泵进行故障诊断,并对模型各参数进行分析,结果表明LSTM方法可以有效对柱塞泵进行故障诊断。通过选取多种深度学习的方法对柱塞泵故障进行诊断与分类,对监测柱塞泵的实时工况具有重要意义,同时在工程实际应用中具有重要的理论意义和应用价值。图46幅;表11个;参63篇。