针对单一传感器检测易受到环境干扰,很难准确分辨出液压泵故障类型的问题,将神经网络分类识别及证据理论融合技术应用到液压泵故障诊断中。对自适应调节方法优化的粒子群神经网络(PSO-BP)故障分类、D-S证据理论中融合悖论及失效问题的改进进行了研究;使用认知因子、社会因子动态指导粒子寻优,并利用引力思想构造两条故障证据间新的冲突系数,进而提出了符合液压泵故障诊断的多源传感器数据融合模型;通过实验构造液压泵的6种运行状态并分别进行了故障诊断测试。研究结果表明:使用自适应调节方法优化的粒子群神经网络对液压泵的故障诊断准确率有所提高,分别达到93.50%、93.67%,融合诊断结果支持度均接近1,降低了诊断的模糊性。

装备液压系统快速故障诊断是维修保障人员亟待解决的难题。以某装备吊机液压系统故障诊断为研究对象,梳理历年故障案例库,运用故障树解析故障原因、逻辑及耦合关系,明确故障产生的全部最小割集。将故障树与专家系统有机结合,依据故障规则构建基于故障树的专家知识库,选用自上而下正向查找方式的推理机制,融合概念图知识匹配模式,设计模糊含权概念图的投影匹配算法。在VB环境下实现专家系统软件功能,使系统具备知识库持续升级、用户故障定位查询、故障排除指导、历史故障记录、诊断报告生成等功能,有效指导维修保障人员进行装备液压系统的故障诊断与排除,并可推广至其他型号、类型的装备液压系统故障诊断中。

引入了一种基于解空间划分的改进粒子群算法,有效地解决了传统粒子群算法前期容易陷入局部极小值的问题,并将此算法应用到RBF神经网络的参数优化和样本学习中.运用聚减累算法确定了径向基函数中心个数,通过改进的PSO优化了网络中基函数的中心值和宽度,最后利用PSO训练网络输出样本,实现了液压钻机的故障诊断.试验结果表明,基于改进PSO优化的RBF神经网络在液压钻机故障诊断中,在样本较小的情况下,具有较快的响应速度以及较高的诊断精度.