为诊断大型LNG高压泵自停状态是正常保护动作,还是高压泵自身故障所致,提出基于层次分析-云模型的大型LNG高压泵自停故障智能诊断方法。采用层次分析-云模型的高压泵运行状态识别方法,由层次分析模型构建高压泵运行状态评价指标体系后,由云模型的正向云发生器,分析高压泵运行状态的评价指标隶属度,识别处于自停状态的高压泵;使用基于卷积神经网络的自停故障智能诊断方法,由小波包方法提取自停高压泵的振动信号特征后,输入卷积神经网络,实现自停故障诊断。实验结果显示:此方法对大型LNG接收站中6个高压泵自停状态识别后,自停的6号高压泵属于3级故障,为非正常保护动作,诊断结果准确。

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络AlexNet基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号。相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断。通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维LeNet5模型和经典AlexNet模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性。

介绍了液压系统故障的特点、液压系统故障智能诊断技术的发展历史和研究现状;提出了液压系统故障智能诊断领域目前和将来的研究方向.

分析了液压传动系统故障智能化诊断方法的发展和特点,提出了组合智能诊断和多学科技术相结合的未来液压系统故障诊断技术发展趋势。

大型数控液压机的液压系统故障与状态信息存在着复杂的非线性关系。该文将粗糙集理论和神经网络相结合，应用到大型数控液压机液压系统的故障诊断中。文中以下液压垫诊断为例，采用粗糙集理论对故障决策表进行属性约简，将获取的主要特征属性输入神经网络进行训练学习，通过这些测试数据得到仿真结果。仿真结果表明该方法用于大型数控液压机的液压系统故障诊断是有效的。