液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。

复杂机电装备运行状态直接体现了装备自身的稳定性与可靠性,对其运行状态的监测就成为了制造企业保证生 产过程稳定可靠的一项关键技术.为了准确监测复杂机电装备的运行状态,利用遗传算法的全局优化特点确定出BP神经 网络的初始权值阈值,结合复杂机电装备的特征参数和评估体系,建立了一种基于改进BP神经网络的运行状态预测模型, 实现了对复杂机电装备运行状态的监测.最后,以汽车装配线的拧紧机设备为实验对象,验证方法的有效性.

机电液系统的转速波动信号蕴含着丰富的系统运行状态信息从该转速波动信号中通常可以观测到多个波动源的耦合现象。针对磁电式转速传感器输出的方波信号中转速波动分量的特征提取问题提出了基于Vold-Kalman时变滤波的转速波动分量提取方法。首先利用采样点计数测速算法获得变转速泵控液压马达系统的瞬时转速信号;其次结合短时傅立叶变换和二值细化处理得到的瞬时频率估计曲线作为中心频率构造了基于转速波动信号特征模型的结构方程和数据方程;最后通过最小二乘滤波和PCG法求解实现了转速波动分量时域波形的提取。实验结果表明:该方法能有效地提取变转速泵控马达系统中由柱塞马达输出轴转频及减速箱输出轴转频引起的转速波动为机电液系统的状态监测和运行可靠性分析提供了新方法。