针对在复杂的多状态条件下,液压系统状态监测方法监测性能不高的问题,对多任务学习和注意力机制方法进行了研究,结合多任务与注意力机制,提出了一种基于注意力机多任务网络的液压系统监测方法。首先,利用注意力机制,根据不同传感器信号对任务贡献程度的大小,赋予了各个传感器不同的权重;其次,使用卷积网络(CNN)构建了自适应特征提取器,从赋予权重的多个传感器信号中提取了深度特征;最后,建立了多任务的特征共享诊断网络,实现了对液压系统多个状态的同时监测。研究结果表明:与以往的方法相比,所提出的方法监测性能更优,能更有效地对复杂的多状态条件下的液压系统的各种状态进行监测,且其平均精度达到99.3%。

为了提升利用微调构造的深度神经网络代理模型(又名深度代理模型)的性能,提出了一种主动闭环蒙特卡罗试验设计方法,通过费雪尔信息矩阵将设计点与模型梯度关联,并利用乘法算法求解,然后引入随机离散蒙特卡罗算法进行闭环采样,使得设计点具有覆盖整个设计空间的统计学特性。基于该方法,利用多层感知器建立了某伸缩臂叉车臂架动作特性深度代理模型,并结合最小预测和预期改善,实现了液压控制系统的设计优化。实验结果显示:与当前基准相比,提出的方法所需仿真数据减少了64.3%;优化后叉车臂架变幅缸压力波动更加平稳,且最大值减小了46%。

在载重过程中,工程车辆因受到惯性冲击、工作装置共振以及电磁干扰等,容易造成其液压测量信号的振荡,为了对载重估计模型中的液压系统压力信号进行实时去噪,提出了一种基于一维全变分(1D TV)算法的液压系统压力信号实时去噪方法。首先,阐述了1D TV算法的基本原理;然后,建立了一个主要受液压力影响的载重估计模型,使用MATLAB中的fmincon非线性规划求解器,将载重估计模型作为黑箱函数,载重估值与载重真值之间的均方根误差作为目标函数值,1D TV算法中的参数τ作为优化变量,求解出了能够逼近真实液压信号曲线的参数τ;最后,以某企业伸缩臂叉车为例进行了载重试验,分别采用经验模态分解(EMD)类去噪算法、小波阈值类去噪算法,以及1D TV算法处理液压信号,并将处理结果进行了对比分析。研究结果表明:相比于EMD类去噪算法,采用参数τ优化后的1D TV算法得到...