多重分形去趋势波动分析(MF-DFA)能够有效地揭示隐藏在非线性和非平稳振动信号中的多重分形特征,而液压阀磨损产生的泄露故障信号往往具有非线性、非平稳,且不同严重程度故障信号特征难以辨识,MF-DFA扩展了液压阀的特征提取及故障诊断方法。然而MFDFA去趋势多项式阶数选取的不恰当往往会出现欠拟合或过拟合现象从而产生新的波动误差。为此,提出了一种改进MF-DFA方法实现故障特征提取。通过建立低阶多项式信号轮廓去趋势拟合曲线和不同时间尺度固有模态函数(IMF)之间的相关性,选取最优的IMF模态分量的累计和将其作为信号轮廓的趋势项,进而提取分型谱参数特征。最后,通过随机森林分类器进行故障模式识别。实验结果证实了所提出的方法在电液换向阀内泄漏故障诊断中的有效性。

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。