针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态...

由于柱塞泵内部结构复杂且结构之间相互耦合,致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度,将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先,通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号,同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值,共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明,将核超限学习机用于故障诊断,相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。

为了提高故障诊断的分类准确度并减少分类时间,运用一种新的分类器即超限学习机(ELM)对轴向柱塞泵滑靴磨损进行故障诊断与识别。采集轴向柱塞泵正常工作状态和不同滑靴磨损工作状态下的信号;对采集到的信号进行预处理,提取出8维的特征向... 展开更多

利用VOF方法建立单个液滴与基板发生碰撞沉积变形的模型,分别对液滴的运动、射流、弛豫和浸润等4个阶段形态变化进行了分析.对模拟结果分析发现：液滴碰撞速度越大,射流能达到的铺展半径越大,液滴最后平衡所用的时间也越长,但速度太大可能导致在浸润阶段液滴回缩时形成中间空缺的现象.模拟结果与照片相符合,说明文中研究方法可行.对液滴铺展达到最大半径、平衡态半径的模拟值和计算值进行比较,二者的误差很小.液滴流场的变化是决定其形态变化的本质,通过对模拟得到的液滴内部流场进行分析,流场变化和液滴4个阶段的形态变化完全一致,从液滴内部掌握了其变形机理.