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。