以液压泵为例,以其最为薄弱的环节——滑靴副为研究对象,并以滑靴磨损作为性能退化原因,结合滑靴磨损数学描述方程、泄漏流量公式和柱塞腔压力瞬时变化模型,建立了滑靴磨损过程的油膜润滑特性方程组;揭示了液压泵性能失稳失效机理,计算了失稳和失效临界点;对液压泵性能退化状态进行区域划分,分析液压泵不同状态下滑靴磨损量与油膜润滑特性参数及性能退化参数的变化规律,建立了性能预测模型;通过仿真分析验证理论模型的正确性,通过液压泵性能测试试验验证预测模型的有效性和预测精度,结果表明,所构建的模型能够精确预测液压泵性能。

为了提高低负载下柱塞泵滑靴磨损故障状态诊断精度,提出基于随机森林算法的柱塞泵滑靴磨损故障状态识别方法。重点分析了低负载条件下各类柱塞泵滑靴故障信号的频域特征值,构建了特征数据库。验证了上述方法的适应性,并测试了柱塞泵不同程度松靴故障的诊断情况。研究结果表明滑靴磨损后频域表现出明显的波动性,袋外错误率和决策树数量呈现反比变化规律,基本都在0.05附近,将决策树最优棵数n设定在400。以随机森林算法诊断特征数据库时,在250组样本中只发生了1组误识别情况,达到了98.75%的识别准确度。随机森林方法训练时间、训练准确度与测试准确度都比其它各算法更优。松靴故障诊断结果获得了高于99.5%的总体诊断准确度。采用随机森林方法柱塞泵磨损故障状态诊断表现出优异适应性,能够对柱塞泵各故障状态进行准确诊断。

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...

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

针对液压泵滑靴磨损状态的评估问题,提出了一种基于形态差值滤波和形态指数（MI）的方法来有效地诊断滑靴磨损故障并评估其劣化程度。首先,利用形态差值滤波器对现场实测的正常状态和四种不同磨损程度的滑靴故障的振动信号进行滤波处理,提取出清晰的特征信息;其次,对滤波后的振动信号进行有量纲参数和无量纲参数的提取,其中有量纲参数包括首次引入到液压泵健康状态评估领域的MI;最后,通过分析MI对滑靴磨损故障及其劣化程度的敏感性和变化规律,得出MI可以有效地诊断出滑靴磨损故障及评估其劣化程度。

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。

为了提高故障诊断的分类准确度并减少分类时间,运用一种新的分类器即超限学习机(ELM)对轴向柱塞泵滑靴磨损进行故障诊断与识别。采集轴向柱塞泵正常工作状态和不同滑靴磨损工作状态下的信号;对采集到的信号进行预处理,提取出8维的特征向... 展开更多