常规的液压泵健康状态识别方法,主要采用信号幅值特征识别出健康状态,忽略了共振频率的影响,导致识别结果状态相关度较低,因此,提出了基于可变记忆深度长短时记忆网络(Variable Memory Depth Long Short-Term Memory,VMD-LSTM)的液压泵健康状态识别研究。利用VMD-LSTM结合的算法,通过3个步骤对液压泵信号进行去噪、预加重以及分帧处理,分析了处理信号与液压泵材料之间的共振频率,由此提取出排除共振频率影响的时域特征,将该特征代入到算法中识别得出液压泵的退化率健康状态。实验结果表明方法能够实现对液压泵健康状态的识别,并且状态相关度较高,识别结果较为准确,满足了液压泵在实际应用中的安全运维需求。

准确评估机械设备健康状态是保证机械设备稳定运行的基础。提出了基于ASP模式的机械设备多特征参数健康状态综合评价体系,给出基于ASP模式评价平台架构,其中数据服务层采集机械设备特征数据,并将所采集数据存储于数据库内;逻辑层利用OLEDB程序接口连接数据库,基于所采集数据构建包括6个一级特征指标的评价指标体系,采用熵权法确定各指标权值,基于权值计算结果构建评价模型,得到机械设备健康状态评价结果,评价结果通过表示层展示给用户。测试结果显示,该评价体系具有较高的评价精度,能够显著降低机械设备的故障率。

数字孪生体的建模和与物理实体间的交互都以数据映射的方式实现,为日益复杂的制造系统健康状态分析提供了新思路。针对产品质量、机床性能和任务执行状态,构建数据交互融合的数字孪生车间健康状态评估和预测框架;建立综合考虑设备性能退化和产品质量对故障率影响的机床故障期望函数,并提出了任务可靠性与产品质量相关联的Copula制造系统健康表达。以某柴油机缸盖制造系统为例,结果表明所提方法能动态高效地判断制造系统健康状态,有效识别不同因素对制造系统健康状态的影响。

为了探索水电站调速器比例阀健康状态诊断方法,通过数学建模和分析,对调速器液压随动系统进行深入研究。通过对比例阀给定信号和反馈信号的实时监测,实现了比例阀健康状态实时诊断,当比例阀出现性能下降或存在故障趋势时,及时给出预警信号,避免问题的扩大从而降低系统运行风险。通过软件开发,将该技术方法成功应用于调速器的现场自动控制,实现了比例阀健康状态的自动诊断功能,现场测试和投运效果充分验证了该技术成果的有效性,有力地保证了机组和电网的安全稳定运行。

针对机床液压系统健康状态难以准确评估的问题,提出一种综合评估机床液压系统健康状态的新方法。该方法首先构建了三层评价指标体系,然后用灰色聚类法对液压系统的关键组成部分进行第一级健康状态评估,得到各个关键组成部分的健康状态,再以此为基础,利用模糊综合评判法对液压系统进行第二级健康状态评估,最终得到液压系统的健康状态综合评估结果。在上述两级健康评估过程中,分别用熵权法和可拓层次分析法求出各关键组成部分和相关指标的权重,然后用组合赋权法将二者进行综合,得到具有主观意义和客观意义的综合权重。通过实例表明该方法可以大幅提高机床液压系统健康状态评估结果的准确性,具有很大的工程实用价值。