基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

基于AMESim的液压缸故障建模与仿真

针对液压系统测试试验台,引入仿真软件AMESim对测试系统建立仿真模型。利用AMESim软件开发的仿真系统对测试系统进行仿真,并通过对仿真模型注入各种参数,分析仿真结果,验证仿真模型的正确性。然后以液压缸为例,对模型注入故障信息,为液压缸故障诊断提供诊断样本。     

基于改进灰色预测模型的液压泵寿命预测

选取液压油的光谱分析数据作为液压泵的寿命特征信息,针对油液采样间隔不等间距的情况,研究非等间距灰色GM(1,1)模型。对建模数据背景值进行改造,建立改造背景值的非等间距灰色GM(1,1)模型,提高模型的预测精度。研究了油液分析阈值的制定方法,制定液压泵磨损金属元素含量和含量趋势值的阈值。运用改进背景值的非等间距灰色GM(1,1)模型对某型凿岩台车的液压泵进行寿命预测,预测精度达到95.78%。     

基于虚拟仪器技术的液压系统网络化检测

利用LabVIEW虚拟仪器开发平台,构建了液压系统网络化检测系统,该系统实现对液压系统远程实时数据采集、测试的控制与实时显示、数据分析与存储等功能,降低了开发成本、提高了测试精度.     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

故障树分析法在汽车起重机液压系统故障诊断中的应用

介绍了利用故障树分析法对汽车起重机液压系统进行故障诊断的方法,以该液压系统"放下支腿,车体无法支起"的典型故障为例,通过建立故障树,对其进行了定性分析,并介绍了应用故障树查找故障的方法.实践证明,此方法简便、可靠和实用.     

增量式局部切空间排列算法在滚动轴承故障诊断中的应用

针对流形学习算法的批量处理方式无法利用已学习的流形结构实现新样本的增量处理问题,提出一种增量式局部切空间排列算法。阐述局部切空间排列算法的基本原理及一次性观测样本全局坐标矩阵迭代和低维坐标提取方法。在算法增量学习上,对因新增样本加入而改变近邻点的样本进行全局坐标更新,建立新样本点的全局坐标;利用原始样本低维嵌入坐标和更新后的全局坐标矩阵对新增样本的低维嵌入坐标进行估计,并采用特征值迭代方法实现全局坐标更新。将增量式局部切空间排列算法应用于滚动轴承四种不同状态的模式识别中,提取的新增样本低维特征与特征空间聚集度分析结果表明:增量式局部切空间排列算法能够在保留一次性观测样本建立的低维流形基础上实现算法的增量式学习,同时对新增样本具有较高的识别率。     

基于AMESim液压元件设计库的液压系统建模与仿真研究

以某液压实验台为研究对象,运用AMESim对液压系统进行仿真分析。建立液压系统的HCD仿真模型;进行特性仿真,并与物理特性进行对比,验证了HCD仿真模型的正确性;运用所建立的HCD仿真模型对影响液压缸运动速度的因素进行分析,给出不同的流量、活塞缸直径、活塞杆直径及泄漏影响液压缸运动速度的量化对比曲线,从而为液压系统的设计及故障诊断提供依据。     

带标志点的LTSA算法及其在轴承故障诊断中的应用

针对非监督式流形学习算法面临的增量式学习问题,提出一种带标志点的增量式局部切空间排列算法.该方法在局部切空间排列算法的基础上,利用最小角度回归算法从原始训练样本中选取标志点,以选取的标志点和新增样本建立所有样本的全局坐标矩阵,利用原始样本低维嵌入坐标和全局坐标矩阵对新增样本的低维嵌入坐标进行估计,并采用全局坐标矩阵特征值迭代方法更新所有样本的低维嵌入坐标.滚动轴承4种不同状态振动数据样本的增量式识别结果表明,本方法在实现局部切空间排列算法增量式学习的基础上,保持了对滚动轴承不同状态样本较高的类别可分性测度.     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点，提出应用小波包能量法提取故障特征向量，并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的，对其他设备的故障诊断也具有借鉴意义。