针对煤矿综采工作面液压支架传统控制方式存在安全性能差、控制精度较低、压力波动较大等问题,研究了煤矿综采工作面液压支架协同控制安全运维技术,结合智能传感检测技术和耦合控制机理,提出了一种液压支架自适应协同控制安全运维系统,采集和分析液压支架的姿态和位置全过程数据,以实现液压支架之间的协同控制。通过在某煤矿井下1107综采工作面现场安装和应用后得出液压支架协同控制技术能根据围岩性质自动协调控制液压支架状态,集中控制采集的现场数据,从而实现对液压支架的协同控制,控制系统可自动调整千斤顶,控制误差不超过3.5%,取得了满意的实验结果。

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。

简要介绍了建立挖掘机执行器状态识别系统重要性,以中联重科20t级履带式液压挖掘机为实验机械,使用实验设备对其最常用的执行器甩方工况的运行状态开展识别实验,通过数据采集、数据预处理和模型训练,通过分析识别结果,得出预训练LIBSVM模型可以实时识别挖掘机执行器的运行状态,证明了该方法的可行性。

精冲机液压系统元部件数量众多,能量损耗特性复杂,一直缺少低成本高性能的监测方法。为解决该问题,提出了一种基于三相电信号的精冲机液压系统工作状态和能耗智能云端监测平台,将液压系统功能元部件绑定为功能单元,建立了总消耗的功率信号与液压系统工作阶段预测和功能单元能耗之间的深度学习模型,实现了精冲机工况和功能单元能耗的智能识别与预测。以KHF500型液压精冲机为研究对象,基于一维卷积神经网络模型搭建了精冲机智能云端监测平台。结果表明,该平台能高精度识别精冲机的工况类别和预测各功能单元的实时能耗。

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。

为了给机械设备提供更准确的故障预测诊断,采用小波分析的方法对滚动轴承的振动信号进行特征提取与分析,并提出一种新混合模型（即将状态空间模型与隐半马尔可夫模型相结合的混合模型）的故障预测诊断方法。首先在动态观测系统中建立故障状态方程,将故障作为关键因子,并在混合后的模型中给予相应的证明,通过对其分析处理、使用预测模型进行训练以及对比分析设备的退化状态,给出合理的预测方案,然后对其进行深入分析,最后得出研究结论。

针对滚动轴承的运行状态识别问题,利用典型D P混合模型良好的聚类特性,提出了基于DPMM的滚动轴承运行状态识别算法,并推导了算法聚类的详细步骤。利用轴承状态监测数据进行了验证和分析,结果表明DPMM算法不依赖于训练样本,模型结构能够随着观测数据的变化实现自适应变化和动态调整,自动识别轴承的运行状态数;同时,识别结果不依赖于DPMM算法初始参数的选择,具有较强的稳定性和适应性。

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重...

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。

以机械工程中液压动力系统为对象，在理论分析以及大量试验研究的基础上，给出了基于电流信号功率谱特征的液压动力系统4种运行状态标准模式。提出了基于灰色关联度计算的模式识别方法，该方法能很好地识别出液压动力系统正常以及电动机故障、机械故障、油泵故障的发生。此外，灰色关联度算法简单、计算量小，可以实现在线监测