基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

优化变分模态分解与集成机器学习的风力机滚动轴承故障分类研究

针对滚动轴承振动信号特征提取及故障分类困难这一问题，提出了一种基于鲸鱼算法(WOA)的滚动轴承特征信号提取与极限梯度提升的机器学习方法。以模态信号包络熵最小为适应度函数，对变分模态分解(VMD)层数和惩罚因子进行寻优处理。根据所得最佳分解参数对原始信号模态分解，得到各模态分量并根据能量波动法进行特征信号的筛选，最后根据模态分量建立极限梯度提升学习模型。对四类信号进行学习训练和故障分类。结果表明：WOA-VMD与XGBoost结合可以有效降低信号噪声，得到轴承的故障特征，并能够有效的识别出故障类型。     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法。采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别。通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证。滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度。     

VMD多尺度熵用于高速列车横向减振器故障诊断

针对高速列车横向减振器故障振动信号具有非线性和非平稳特征、特征信号提取相对困难问题,提出了变分模态分解和多尺度熵结合的特征提取方法。原始信号经变分模态分解方法处理后,被分解为若干本征模态,利用互信息指标筛选有效模态,求多尺度熵组成特征向量,通过特征评价方法去除冗余特征,最终将最优特征子集输入支持向量机识别横向减振器的故障类型。实验结果表明,该方法能有效提取振动信号的特征,实现横向减振器故障的有效判别,验证了该方法在高速列车横向减振器故障诊断的可行性。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于CBLRE模型的轴向柱塞泵空化状态检测研究

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展，需要对柱塞泵的空化状态检测与智能故障诊断展开研究，因此，结合深度学习网络与非线性分类器的优点，提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先，对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强，并对其进行了标准化处理；然后，利用卷积神经网络(CNN)自动提取信号的特征，并对其进行了特征降维处理；利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性，利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类，实现了对柱塞泵的空化状态检测与智能故障诊断；最后，为测试CBLRE模型的性能，搭建了实验平台，在此之上将CBLRE模型与其他模型进行了对比，分析了该模型在不同工况下的性能表现。研究结果表明：该模型的结构稳定、训练时间短，且在不同负载下均可保持良好的泛化性能，空化状态识别率均达到99%以上，该结果验证了柱塞泵空化状态识别方法的有效性；此外，该模型还可有效识别空化现象与柱塞泵的其他故障。     

基于自适应优化变分模态分解的起重机故障诊断

变分模态分解方法是近年来常用于起重机声发射信号故障识别的一种信号处理技术。然而,变分模态分解参数即模数k和二次惩罚因子α的选择仍具挑战,即如何获得最相关、包含降噪后的故障信息合适的分解模态。因此,文中提出了一种以旗鱼优化算法和基尼系数为准则的框架,对每个故障信号自适应地选择最优的变分模态分解参数。利用实际工程中起重机重要部件采集的声发射信号对所提方法的有效性进行验证,并根据最大基尼系数自动提取了包含故障信息的最合适模式。结果表明,与传统的局部均值分解和集成经验模态分解相比,所提方法在提取故障特征和排除噪声影响方面具有较高的精度和效率。     

Fault diagnosis of axial piston pumps with multi-sensor data and convolutional neural network

Axial piston pumps have wide applications in hydraulic systems for power transmission. Their condition monitoring and fault diagnosis are essential in ensuring the safety and reliability of the entire hydraulic system. Vibration and discharge pressure signals are two common signals used for the fault diagnosis of axial piston pumps because of their sensitivity to pump health conditions. However, most of the previous fault diagnosis methods only used vibration or pressure signal, and literatures related to multi-sensor data fusion for the pump fault diagnosis are limited. This paper presents an end-to-end multi-sensor data fusion method for the fault diagnosis of axial piston pumps. The vibration and pressure signals under different pump health conditions are fused into RGB images and then recognized by a convolutional neural network. Experiments were performed on an axial piston pump to confirm the effectiveness of the proposed method. Results show that the proposed multi-sensor data fusion method greatly improves the fault diagnosis of axial piston pumps in terms of accuracy and robustness and has better diagnostic performance than other existing diagnosis methods.     

Fast scaling approach based on cavitation conditions to estimate the speed limitation for axial piston pump design

The power density of axial piston pumps can benefit greatly from increased rotational speeds. However, the maximum rotational speed of axial piston machines is limited by the cavitation phenomenon for a given volumetric displacement. This paper presents a scaling law derived from an analytical cavitation model to estimate the speed limitations for the same series of axial piston pumps. The cavitation model is experimentally verified using a high-speed axial piston pump, and the scaling law is validated with open specification data in product brochures. Results show that the speed limitation is approximately proportional to the square root of the inlet pressure and inversely proportional to the cube root of volumetric displacement. Furthermore, a characteristic constant C_p is defined based on the presented scaling law. This constant can represent the comprehensive capacity of axial piston pumps free from cavitation.     

基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

基于DASP的海水马达振动分析和故障诊断研究

基于DASP虚拟仪器测试平台,依托机械振动理论和设备故障诊断技术,结合海水柱塞马达振动信号采集及分析处理手段,搭建了海水柱塞马达的故障诊断实验系统。通过对海水柱塞马达在正常和故障两种状态下振动信号的时域分析与频谱分析,得到了海水柱塞马达配流盘“气蚀”损坏典型故障的识别特征,从而对柱塞泵/马达的故障机理和故障诊断有了更深入的了解。将基于DASP的测试技术应用于海水柱塞马达的振动测试,不仅能够获得海水柱塞马达振动的实时测试信号和振动特性图谱,还可获得振动机理分析所需的更高的测试精度和效率,在工程实践中具有较好的推广价值。     

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象，首先用局部投影消噪方法对振动信号进行消噪；其次对消噪后的振动信号绘制递归图，进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取，选择确定率（DET）和递归熵(ENTR)2个特征构成特征向量，构成故障特征样本；然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别；最后，将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明，基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

Minimum entropy deconvolution based on simulation-determined band pass filter to detect faults in axial piston pump bearings

The fault diagnosis of axial piston pumps is of significance for enhancing the reliability and security of hydraulic systems. Most of the faults occurring in the mechanical components of piston pumps are exhibited as fault-excited impulses. However, the strong impact-induced natural periodic impulses under the common working conditions (i.e. reciprocating motion of pistons) inevitably cause interference that considerably affects the fault detection performance. In this study, a simulation-determined band pass filter is employed to improve the performance of minimum entropy deconvolution (MED) for the fault diagnosis of axial piston pump bearings. First, a finite element method (FEM) simulation is performed to determine the possible carrier frequency. Second, the carrier frequency is used as the center frequency in association with a fixed bandwidth to determine the band pass filter parameters. Finally, the MED technique is applied to enhance weak fault-excited impulses by means of kurtosis maximization. Thereafter, envelope spectrum analysis is applied to the enhanced signals to obtain faulty feature frequencies. Two case studies are conducted, using bearings with faults in the outer and inner races of an axial piston pumps under common working conditions. The case studies confirm the necessity and effectiveness of the proposed method for detecting bearings faults in axial piston pumps.     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。