大数据、深度学习、云平台等技术的发展,为设备的智能运维提供了新的理论和技术支持,“视情维修”和“预知维修”成为现代化装备运维系统的发展方向。随着智能运维理论和液压技术的交叉融合并结合移动装备液压系统存在作业点分布范围广、移动作业、作业环境恶劣等特点,在保证装备满足作业要求的前提下如何实现液压系统的状态监测及智能运维已成为装备制造行业的共性科学难题。因此,本文以典型液压泵为研究对象,以建立基于云平台的典型液压泵智能运维系统为研究目标,重点研究边缘侧数据智能信号预处理算法,基于云平台和深度学习的健康评估、剩余使用寿命（Remaining Useful Life,RUL）预测和故障诊断算法,开发恒压变量泵智能运维系统,为现代装备智能运维提供新理论、新技术和新方法。首先,针对传统特征工程方法对原始信号进行特征提取所存在的缺点,研究了自适应信号分解消噪算法并分别提出了基于自适应局部迭代滤波和变分模态分解的振动信号自适应分解消噪算法。将算法应用到恒压变量泵振动信号分解消噪中,有效滤除了恒压变量泵振动信号中的高频噪声,应用该算法的恒压变量泵故障诊断结果识别准确率达到了99%,验证了该方法的有效性和先进性。针对设备运行过程中,正常状态数据和故障状态数据之间具有严重非均衡的特点,且基于数据驱动的深度学习模型对数据的质量和数量具有较强依赖性的问题,研究了时间序列条件生成对抗网络算法,提出并搭建了一种基于时间序列条件生成对抗网络的振动信号数据增强算法模型。应用该算法对恒压变量泵大轴承故障非均衡数据进行数据增强该算法不仅能够显著提高数据样本的均衡率,而且数据增强后模型的故障识别准确率由80%提高到了98%。针对部分设备振动传感器安装空间受限或传感器安装拆卸困难的问题,研究了基于声音信号的声纹特征提取算法,提出了一种基于声纹特征与身份向量识别模型相结合的恒压变量泵故障诊断方法。通过采集恒压变量泵周围非接触声音信号并对其声纹特征进行特征提取,实现了基于声纹特征的恒压变量泵故障诊断,识别准确率达到了92.63%,为解决液压泵非接触式传感器故障诊断问题提供了新思路和新方法。针对传统液压泵单一传感器故障诊断算法存在对液压泵状态信息获取不全面、不完备的问题,研究了基于残差网络的特征融合算法,提出并搭建了一种基于平滑伪Wigner-Ville分布和残差网络相结合的故障诊断算法模型。算法在强噪声干扰条件下,实现了恒压变量泵振动信号的原始特征提取、多维特征的特征融合和特征降维,故障诊断结果具有较强稳定性,识别准确率可达90%,为恒压变量泵智能故障诊断系统实现奠定了理论基础。针对齿轮泵性能缓变退化过程无法得到准确评估、设备RUL无法得到准确预测的问题,研究了设备健康评估和RUL预测算法,搭建了基于残差网络和长短期记忆神经网络相结合的健康评估和RUL预测算法模型。建立了齿轮泵健康评估模型并对齿轮泵振动信号进行分析得到了齿轮泵健康因子。提出了健康因子修正系数,实现了对齿轮泵类内差异的模型修正,修正前后齿轮泵预测RUL的平均绝对误差降低了50%。最后,设计了液压系统智能运维系统的系统架构和数据管理架构,在研华WISE-Paa S云平台上开发了恒压变量泵智能故障诊断系统,实现了前文所提智能故障诊断算法的边缘侧和云平台部署。应用恒压变量泵故障模拟试验台对智能故障诊断系统进行了在线测试,实现了对恒压变量泵的实时状态监测、故障诊断和故障程度评估,诊断和评估识别准确率达到了93.36%。该研究成果不仅可以为液压泵运行大数据挖掘提供关键技术,为复杂装备液压系统智能运维奠定理论基础,还可以为我国“云平台+智能运维”提供范例,对推动我国液压装备的智能化转型升级具有重要指导意义。