针对刀具磨损状态监测中单一决策算法模型评估效果受工况参数影响较大,在不同工况条件下模型通用性不好的问题,提出一种基于粒子群优化(PSO)算法的多决策融合刀具磨损评估模型。首先对加工过程中的主轴电流信号和振动信号进行时域分析、频域分析和小波包分解提取有效特征,并利用主成分分析进行特征降维。之后在4种集成学习算法的基础上,构建PSO多决策融合模型,分别使用LDIWPSO和CFPSO两种PSO算法实现多集成学习算法的决策融合,进行刀具磨损状态评估。试验结果表明PSO多决策融合模型相比于各种单一集成学习算法模型具有更好和更稳定的预测性能,且CFPSO决策融合的效果要优于LDIWPSO决策融合。

柱塞泵是液压系统的关键部件之一,监测其健康状态对液压系统的可靠运行具有重要意义。提出一种基于小波包和流形学习的方法,用于分析柱塞泵出口振动信号,从而对其进行健康评估;该方法利用小波包对原始信号进行分解,从中提取用于描述柱塞泵健康状态的有效特征群;把提取的高维特征群作为输入,利用并比较多种流形学习方法进行特征降维,选取状态识别准确率最高的拉普拉斯特征映射方法,建立起的特征向量到健康状态之间的对应关系,实现液压泵健康状态监测的分类要求。实验结果表明,采用小波包和拉普拉斯特征映射相结合的方法可以有效提高柱塞泵状态评估的准确性。

液压泵健康状态评估对工程设备的运行状态监测有极其重要的意义,现有基于振动信号分析的方法数据来源单一、可靠性低,为此,提出了一种基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估方法。通过试验系统采集了不同工作时间下液压泵的压力、温度、流量等信号,分别提取信号的时域特征组成初步特征。使用多个分类器获取初步特征的类别概率向量,将其与随机森林模型选出来的重要特征进行拼接形成最终特征,并使用多粒度级联森林模型进行健康状态评估。试验结果表明,所提方法在仅有5%训练比例的情况下分类精确率仍可达99.5%,可以有效提高液压泵健康状态评估的准确度。

针对数据量较小情况下的液压系统内泄漏的故障诊断问题,提出基于时间特征分割和降维谱聚类的故障诊断方法。使用db4小波对液压压力信号进行间断点检测,分割出高压平稳段的时域信号并提取其时域和小波域特征,然后通过主成分分析的方式提取有效特征剔除分敏感特征,最后使用谱聚类对泄漏的严重程度进行诊断。分别在液压缸、液压泵和换向阀上进行泄漏试验并进行故障诊断,与K均值聚类、密度聚类以及流形降维后谱聚类等多种方法进行对比,表明使用主成分分析加谱聚类的方式可以有效提取压力信号的敏感特征,具有更高的诊断准确率和稳定性。

针对机械设备的状态监测和故障诊断面临的先验样本数据少、样本空间不完备的“小数据”困境,提出了基于测地流核函数的域自适应故障诊断方法。以有限的先验样本数据作为源域,以实际监测数据作为目标域,分别提取设备状态特征并将特征分布子空间嵌入格拉斯曼流形,基于测地流核函数对源域和目标域在特征分布结构上的相似性进行度量,从而实现域自适应基础上的故障诊断。基于轴承振动数据的试验验证表明,基于测地流核函数的域自适应故障诊断能够有效抑制工况变化、采样母体差异的影响,提高故障诊断正确率。

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。

液压缸是工程机械中常用的执行元件，内泄漏是其常见的故障模式，将严重影响机械系统的工作效率和安全性，及时识别液压缸内泄漏能够保证液压缸的安全正常工作。通过小波分解提取液压缸进口压力信号特征，利用BP神经网络建立分类器，实现了对液压缸内泄漏的智能识别，分类准确率高，提高了液压缸内泄漏故障诊断的效率，为实现液压缸智能状态监控提供了基础。