广州港南沙港务有限公司(以下简称“南沙港务”)购置的2台某国产品牌空箱堆高机无论机械性能还是操控性能均满足使用要求,且其发动机散热系统采用新型液控散热装置。不过,在夏季高温时节,该品牌空箱堆高机发动机高温报警时有发生,导致发动机磨损加剧和工作性能降低。本文分析空箱堆高机发动机高温报警原因,并通过加装液压泵改善散热环境,从而有效解决发动机高温报警故障。

K5V液压变量柱塞泵以其优良的控制性能广泛应用于工程机械领域,其变量调节机构的控制功能包括电比例排量控制、恒功率控制、压力切断控制等方式,能够适应主机的不同工况,使主机具有良好的工作效率。介绍了K5V液压变量柱塞泵控制机构组成,分析了K5V变量泵不同控制方式的控制原理和特性,结合K5V液压变量泵在泵送机械上的实际应用,针对K5V液压泵在泵送工作中出现的故障现象,分析了故障产生原因,提出了故障诊断思路及排除方法。

球面配流因其结构紧凑、承载面积大,自位性能好,抗倾覆能力强,主要用于高压、高速液压泵或液压马达中。然而,球面配流结构复杂,相互制约的因素较多,球面配流设计存在一定的难度。该文通过对球面配流力学分析、过渡区设计,实现球面配流的初步建模,并在此基础上通过Pumplinx进行仿真优化与迭代,从而降低球面配流的设计难度和缩短研发周期。

非常高兴有机会向大家展示一下我们做的一些创新性的工作。我报告的题目是:电动时代背景下液压泵面临的挑战和机遇。电动液压泵的技术要求(难点)随着电机及其变频调速技术的进步,液压系统速度调节出现了除节流与容积调速之外的第三种调速方法,即变转速流量调节方法,这种流量调节方法正在逐渐被越来越多的人所了解和使用。

液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic e

针对我公司自主研制煤矿用掘锚一体机的液压泵异响、使用寿命低问题,在煤矿施工现场进行实际工况数据采集,利用贺德克数据采集仪得到液压泵吸油口实际压力参数曲线,并根据液压泵A11VLO自身结构特点,针对现有液压系统提出优化设计改进。经过最终试验验证,得出A11VLO液压泵安装位置、油箱液位高度、设备施工地形均为A11VLO液压泵异响、使用寿命低的重要影响因子。据此对煤矿用掘锚一体机液压泵站设计、性能参数标示和恰当使用提出合理化建议。

针对变分模态分解(Variational Modal Decomposition,VMD)特征能量重构法实现故障算法存在准确性不高问题,对原始信号先通过VMD分解获得能量余量,在特征能量占比(Feature Energy Ratio,FER)基础上对VMD特征能量重构法,并选择有效的多尺度散布熵(Multiscale Dispersion Entropy,MDE)作为向量。以液压泵故障诊断为研究对象,依次分析了液压泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下情况。仿真结果得到:时间尺度持续增大,形成了排列更有序的粗粒化序列,系统复杂性大幅降低。重构信号MDE在正常运行状态和滑靴磨损达到0.10 mm时都可以保持稳定状态。VMD-MDE方法进行处理获得了98.1%准确率,与VMD相关系数分类方法相比提高了7.1%,与模态分解(Mode Decomposition,DE)方法相比提高19.32%。极限学习机(Extreme Learning Machine,ELM)处理时间比支持向量机(Support Vector Machine,SVM)降低13.2%,而准确率增

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。