由于液压系统具有容量大、转动平稳、输出功率大等特点被广泛地应用到了机械设备当中,而液压系统动力源作为液压系统中的核心,其可靠性和综合性能是保证液压系统稳定、高效的关键因素,一旦液压系统动力源发生故障,将会使整个液压系统发生瘫痪,从而会使整个机械设备出现故障问题或者停机。而液压油作为液压系统动力源中传输动力的工作介质,又是各种液压元件的润滑剂,它的性能状态会直接影响系统工作的可靠性、稳定性、系统效率和零件寿命。液压油被污染后,油液粘度发生变化会影响液压系统负载,从而使液压系统的工作压力发生变化,进而会对电机的电流信号产生影响。另外,液压油受到污染后会导致齿轮泵吸油管路中的结合面处密封不严,从而使液压泵吸入空气造成气蚀现象,进而影响液压泵的工作平稳性和使用寿命。因此,本文从故障诊断的角度出发,重点研究液压油油质受到污染的情况下齿轮泵和电机发生损坏而导致液压系统发生故障。然后将采集到的齿轮泵-电机组运行数据样本分别用BP神经网络、单隐层与多隐层MLP模型、卷积神经网络等方法进行了故障诊断方面的研究。首先,能够在自主搭建的液压实验平台上独立地完成实验台的控制和实验数据的采集工作,并在LabVIEW软件中进行电磁比例控制模块和数据采集模块的VI设计,然后完成对齿轮泵-电机组运行数据样本的采集和存储工作。其次,利用BP神经网络具有分类的特性,搭建了一个三层BP神经网络模型,通过对数据样本的特征提取和归一化处理等操作成功地实现了故障分类、故障验证和故障诊断的效果,并根据诊断结果发现这种通过故障分类的方法可以达到故障诊断目的。接着,针对BP神经网络存在特征参数选择困难、网络结构复杂、容易陷入局部最优等缺点,采用了一种基于多隐层MLP模型故障诊断方法。该方法可以直接将提取出的8组特征量全部输入到MLP模型中进行训练,进而可以使网络进行更深层次的学习,从而保证模型的输出可靠和故障诊断的准确率提高。最后,为了使卷积神经网络能够识别一维数据样本,本文采用了一种基于一维卷积神经网络故障诊断方法。与前两章诊断过程不同的是该算法的数据样本不需要人为提取特征值,而是可以通过神经网络训练自动提取,从而实现神经网络的自学习过程。诊断结果表明,该方法在训练数据样本集时仍能达到较高的准确率,从而验证了卷积神经网络用于液压系统动力源故障诊断的可行性。