轴向柱塞泵滑靴磨损故障分析

通过对轴向柱塞泵产生松靴故障的机理分析,选取8~12kHz特征频率范围来研究故障信息,经信号处理后,对比正常泵和故障泵的低频信号功率谱图,171.5 Hz及其倍频处是滑靴磨损故障特征的敏感频率。     

轴向柱塞泵滑靴柱塞结构分析

轴向柱塞泵滑靴柱塞结构分析田国瑞一、前言如图１所示．常用的ＣＹ型轴向柱塞泵滑靴柱塞的优点很多．但与图２所示的开路式泵的滑靴柱塞结构相比．经生产试验验证和用户使用证明、开路式泵的滑靴柱塞结构明显优于ＣＹ型泵滑靴柱塞结构：它图１ＣＹ型轴向拉塞泵滑靴柱塞结...     

ZB—36E燃油泵柱塞滑靴磨损研究

本文用磨损宏观研究方法，研究了ＺＢ－３６Ｅ柱塞泵滑靴磨损随时间的规律以及磨损分布规律。     

基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法

针对盾构机等大型设备用双斜式轴向柱塞泵故障诊断中滑靴磨损故障特征信号易被湮没的问题,提出了一种基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法。首先,考虑到双斜式柱塞泵滑靴磨损会造成轴向、径向两个方向的振动,对发生滑靴磨损故障下的泵的力学特性进行分析,确定了敏感频率范围;其次,考虑到故障信号易被湮没,将轴向和径向的振动信号分别进行小波包分解,进而得到轴向和径向的振动信号的能量谱,并将轴向与径向敏感频率范围内的能量谱进行叠加,增强故障特征;最后基于试验数据进行验证,对比正常状态与滑靴故障状态下的能量谱,可以有效提高故障诊断的准确度。     

轴向柱塞泵滑靴副倾覆现象数值分析

采用一种新的研究方法对滑靴副油膜动态特性进行研究,首先对滑靴副静压支承固定阻尼加可变阻尼组成的流量压力负反馈调节系统进行建模,然后以此为边界条件对滑靴受力/力矩情况和滑靴副倾覆油膜模型的耦合关系进行研究,最后通过Matlab编程搭建滑靴副油膜耦合关系仿真模型,用Newton迭代法求解油膜模型非线性方程组,动态显示滑靴副油膜特性,以分析滑靴副倾覆现象的本质以及弹簧预压紧力对滑靴副倾覆的影响.利用三点确定一平面的原理,通过三点处油膜厚度值对滑靴副油膜厚度场进行建模.分析结果表明,滑靴偏磨一般发生在柱塞腔吸油区到排油区的过渡区,此时的滑靴倾覆程度最大,在滑靴结构一定时,可以通过增大弹簧预压紧力的方法减弱滑靴的倾覆程度.     

海水淡化轴向柱塞泵滑靴副的结构设计

由于采用黏度比液压油低得多的海水进行润滑,海水淡化轴向柱塞泵滑靴副的结构设计方法需要在油压轴向柱塞泵的基础上进行修正.采用剩余压紧力法进行设计时剩余压紧系数的选取比油泵要小,采用完全平衡法进行设计时,通过分析得出可变阻尼区流动一般处于层流状态,而固定阻尼区的流动一般处于湍流状态,导致固定阻尼的压力一流量特性发生变化,可使得细长孔阻尼的长度大为减小,静压支承液膜刚度理论不再成立.     

轴向柱塞泵滑靴副楔形油膜特性分析

轴向柱塞泵工作过程中,滑靴会在倾覆力矩作用下相对于斜盘表面形成一定的楔形油膜,在油膜静压支承力和油膜动压效应和挤压效应作用下滑靴副楔形油膜压力场始终与滑靴所受的外力和外力矩处在动态的平衡中。本文采用一种新的研究方法对滑靴油膜动态特性进行研究,用牛顿迭代算法对滑靴受力/力矩情况和滑靴副油膜的耦合关系进行研究。在Matlab软件中以低层编程的方法揭示滑靴副楔形油膜动态特性,从而对滑靴副工作特性进行预测。     

高压轴向柱塞泵滑靴副性能测试液压

为了测量35 MPa高压轴向变量柱塞泵滑靴副的油膜性能参数,需研制一套滑靴副性能测试液压系统。针对35 MPa的高压工作环境,设计出了一种高压轴向变量柱塞泵滑靴副性能测试液压系统,并建立了其AMESim仿真模型。通过仿真分析,得知该液压系统的卸压能满足工作要求,其卸荷性能良好,而且无论是卸压还是卸荷过程,液压冲击均得到有效的抑制,因而,该液压系统能够满足泵在35 MPa高压工况下平稳运行的要求,从而为提高35 MPa高压轴向变量柱塞泵滑靴副的油膜性能提供了前提保障。     

滑靴底面结构对轴向柱塞泵滑靴副油膜性能影响的数值分析

轴向柱塞泵滑靴的底面结构直接影响滑靴副的油膜性能,为了摸索出一种适合于35 MPa高压轴向柱塞泵的滑靴结构,在分析滑靴副油膜压力调节原理的基础上,利用ANSYS软件的FLUENT模块,分别对具有内辅助支承面(简称为"一环结构")及具有内、外辅助支承面(包括"二环连通结构"和"二环不连通结构")底面结构的滑靴对油膜性能的影响进行数值分析。分析结果表明,"二环连通结构"滑靴的性能最差,而"二环不连通结构"的滑靴的综合性能最优,是研制35 MPa高压轴向柱塞泵的首选结构。但"二环不连通结构"的滑靴由于"一环"和"二环"间的外支承面属于高温区,且在密封带到边缘之间的坡度槽处压力损失过大,需进一步优化设计。     

柱塞泵滑靴常见问题分析及设计优化

通过对滑靴常见故障的分析,明确了损坏的原因是在工作过程中,支承滑靴正常工作的油膜受力不平衡遭到破坏所致,列举几种常见损坏现象,分析损坏原因,介绍了滑靴主要参数的计算及优化方法。     

基于核超限学习机的轴向柱塞泵故障诊断

由于柱塞泵内部结构复杂且结构之间相互耦合, 致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度, 将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先, 通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号, 同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值, 共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明, 将核超限学习机用于故障诊断, 相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。     

基于全矢色散熵和极限学习机的液压泵故障诊断

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的...     

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...     

类间数据不均衡条件下基于平衡随机森林的轴向柱塞泵故障诊断方法

针对轴向柱塞泵实际故障诊断中采集到的故障类数据远少于正常类数据的情况,为提升故障分类精确率,提出了一种基于平衡随机森林(Balanced Random Forest,BRF)的轴向柱塞泵故障诊断方法.BRF算法是随机森林(Random Forest,RF)的改进算法,将欠采样方法与RF结合,强化了RF处理非均衡数据的能...     

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...     

基于LMD-SVD和极限学习机的滚动轴承故障诊断方法研究

针对局部均值分解(LMD)得到的PF分量对于分类方法的输入而言过大,提出了一种基于局部均值分解(LMD)-奇异值分解(SVD)和极限学习机(ELM)的故障诊断方法.首先,通过LMD将非线性非平稳的原始振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类.试验结果表明,该方法能有效的对风机轴承在变工况条件下进行自适应诊断.     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines,简称 SNP-DELM））的滚动轴承故障诊断方法。首先,将极限学习机（extreme learning machine,简称ELM）与自编码器（autoencoder,简称AE）相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器（stacked autoencoder,简称SAE）、深层极限学习机（deep extreme learning machine,简称DELM）、卷积神经网络（convolution neural network,简称CNN）等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

基于在线贯序极限学习机的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与极限学习机无法处理随时间变化的信息流,致使齿轮故障分类模型精度差、泛化能力弱的问题,提出一种基于在线贯序极限学习机的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,建立在线贯序极限学习机的齿轮故障分类模型,并将奇异值特征向量作为模型输入进行齿轮不同故障状态的辨识。实验结果表明:与基于BP、SVM与ELM的故障分类方法相比,基于基于在线贯序极限学习机的齿轮故障诊断方法具有更快的学习速度、更高的分类精度与更强的泛化能力。