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...

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更...

轴向柱塞泵广泛应用于农机液压系统中,但工作过程中受到机械振动和液压冲击,容易诱发故障,严重时导致设备损坏。本文针对以上因素开展柱塞泵的运动学和动力学分析,期望通过对柱塞泵自由度、运动和受力规律的推导计算及仿真分析来探索柱塞泵产生机械噪声的主要原因。通过建立起相应的数学模型,运用Pro/E软件对柱塞泵进行几何建模,利用接口程序Mechanism/Pro将柱塞泵几何模型转换到多体动力学软件ADAMS中,根据柱塞泵的运动规律添加复杂约束和力,进行运动学和动力学仿真分析,得到主要零部件不同工况下的位移、速度、加速度和受力曲线。将理论推导和仿真分析对比,从机械角度分析噪声的原因是柱塞所受惯性力的急剧变化和柱塞滑靴组件连接点的压力超调大于额定压力的5%。