为了解决用单一(振动,压力,温度)传感器对液压泵故障诊断时效率低的问题,在PSO-BP诊断层的基础上,利用D-S证据理论对多传感器信号进行融合处理,建立了一种基于PSO-BP诊断层与D-S决策层融合的液压泵故障诊断模型,并针对液压泵正常状态以及五中典型故障(漏油,柱塞磨损,配流盘磨损,松靴磨损,轴承磨损)开展测试分析。研究结果表明:利用本故障诊断模型能够更准确判断柱塞磨损程度与松靴磨损状态,柱塞磨损诊断效率为98.6%,松靴磨损诊断效率为98.4%,单一传感器诊断精度没有超多90%,通过D-S决策层把数据融合后精度都在98%以上,证明了PSO-BP诊断层与D-S决策层融合模型的可行性。本研究具有很高的液压泵故障诊断效率,尤其适用于一些微弱的故障信息,对提前侦测故障危险具有很好的价值。

履带式液压挖掘机行走架结构优化中,采用特征截面应力值描述结构应力分布情况,通过不同方法建立行走架结构的应力预测模型,对比不同模型的预测精度选择较好的建模方法,为其他复杂结构的应力预测模型建立提供参考。

在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特点设计并确定了LSTM模型;然后,开展了实例分析,将采集的液压管路原始振动信号加入了高斯噪声,并创建成液压管路数据集,利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合;最后,针对液压管路不同的故障情况,采用LSTM神经网络模型与循环神经网络(RNN)、卷积神经网络(CNN)、支持向量机(SVM)和反向传播神经网络(BPNN)等模型,进行了对比分析,验证了LSTM模型对航空液压管路故障分类的可行性和有效性。研究结果表明:在识别故障管路精度上,LSTM神经网络模型明显优于SVM和BPNN等传统的浅层神经网络模型;...

液压锥阀在气液两相流状态下工作时会产生剧烈的噪声,严重影响锥阀的工作性能及其工作环境,针对这一问题,提出了一种基于径向基函数(RBF)神经网络和多岛遗传算法(MIGA)的方法,对液压锥阀的结构参数进行了优化。首先,采用有限元软件分析了影响锥阀流场及声场的结构参数;然后,以阀芯半锥角角度、喉部长度和阀芯入口角度这3个参数为优化变量,以加权平均噪声最小和加权最大噪声最小为优化目标,通过最优拉丁超立方设计方法确定了样本数据;最后,采用了RBF神经网络方法,建立了锥阀结构参数与噪声关系的近似模型,利用多岛遗传算法对近似模型进行了优化;根据得到的最优参数建立了锥阀优化模型,并进行了声学特性分析。研究结果表明:与原模型相比,优化模型的平均噪声降低23.846 dB,最大噪声降低5.092 dB;该结果验证了基于RBF神经网络和MIGA优化方法的有...

针对渔船舵机液压系统故障率高且故障点存在非线性难以诊断的问题,提出了一种基于BP神经网络对渔船舵机液压系统故障分类诊断的方法。该方法利用AMEsim软件搭建故障仿真模型,对5种不同故障的15类故障度分别进行模拟仿真并提取数据,把所得500组样本数据使用BP人工神经网络算法进行训练测试并应用于故障诊断。结果表明,模拟仿真能够解决液压系统故障样本数据难以取得的问题,利用BP人工神经网络进行渔船舵机液压系统故障诊断具有较高的准确度。

针对液压设备振动信号的非线性与非平稳性特征,提出一种VMD多尺度熵与BP神经网络的液压设备故障诊断方法。首先通过变分模态分解(Variational mode decomposition,VMD)对故障振动信号进行分解;根据得到固有模态函数分量(Intrinsic Mode Functions,IMF)求取相应的多尺度糊熵;在此基础上以VMD多尺度熵构建的故障特征矩阵输入到BP神经网络中进行训练和故障分类。实验结果表明该方法能够实现对液压设备关键故障诊断,准确率达到了97.66%。

液压互联悬架(hydraulically interconnected suspension,HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,提出了一种基于遗传算法(genetic algorithm,GA)优化的反向传播(back propagation,BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明:在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。

为了实现在基础激励下,保证Stewart平台具有较好的隔振效果,设计了一种用于液压驱动Stewart平台稳定器的自整定PID控制器。通过执行机构驱动的轴向力,求取总的主动力及惯性力的模型,并将其用以Kane方程的计算,在Kane方程的基础上,建立了六自由度液压驱动Stewart平台的非线性动力学模型。利用Stewart平台动力学设计了一种以隔振为目标的控制方案。为了抑制不确定基础激励下的上平台振动,提出了一种基于神经网络的自整定PID(NN-PID)控制方案。仿真结果表明,该控制方法能够满足不确定基础励下上平台的隔振要求,对外界干扰具有良好的鲁棒性。能够使得Stewart平台的稳定度得以提升,抑制Stewart平台工作过程中的振动效应。

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解(Variational mode decomposition,VMD)与卷积神经网络(Convolutional Neural Network,CNN)的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。

针对液压设备的故障数据具有非线性、不确定性以及信号噪声多等特点,本文提出一种基于T-S模糊神经网络的液压设备故障诊断,T-S模糊神经网络是将T-S模糊推理模型与神经网络相结合的机器学习方法。对于采集的液压设备振动数据提取相关特征构成特征矩阵,将特征矩阵输入建立的T-S模糊神经网络模型,利用其自适应提取能力,自主选择最佳故障特征进行分析,实现液压设备故障诊断。通过液压设备数据验证,说明该方法具有较快收敛速度、较高诊断精度高和稳定性。