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...

针对超限学习机识别模型在制造过程质量异常模式识别中存在输入权值和偏置向量随机设置导致识别效率低的问题,通过粒子群优化算法对超限学习机模型的网络结构进行优化,提出一种基于改进超限学习机的制造过程质量监控模型。利用主成分分析方法进行过程质量数据的特征提取,利用主成分特征对识别模型进行训练,利用粒子群优化算法对识别模型的网络结构进行优化。仿真实验和实测数据均表明:所提基于改进超限学习机的制造过程质量异常识别模型的识别效率明显高于其他同类模型,能够用于制造过程的实时监控。

为了提高柱塞泵故障诊断的准确度,提出应用一种新的分类算法即超限学习机(ELM)对柱塞泵进行故障诊断与识别。首先,采集柱塞泵各工作状态下的信号,其次对采集到的信号进行预处理,选择出特征向量。最后,应用ELM与其它分类器分别对其进行诊断与识别。对比试验结果表明,新的方法故障诊断准确度高且诊断速度快。

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。

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