液压减振器由于具有内部高压、管路封闭及结构复杂等特点,导致其参数可测性差,从而限制了其故障诊断技术的发展。在AMESim中搭建液压减振器仿真模型的基础上,通过分析液压减振器各组成间的功能、零件故障模式及其影响和各功能零部件间的耦合关系,确定映射规则并建立故障现象与底层故障参数集之间的映射,之后对液压减振器的故障知识管理应用、故障模式注入和故障参数集的优化进行了研究。最后通过油液内泄漏故障现象的参数集表达及动态特性分析实例,验证了故障参数集表达方法。

针对铣刀磨损量预测精度低的问题,提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法(GA)寻出长短期记忆网络(LSTM)的最优参数,并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征,应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量,输入GA-LSTM模型进行训练,并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比,GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%,平均相对误差分别下降了48.3%、40.8%、56.7%,模型的预测识别精度有较大提高,实现了铣刀磨损量的有效预测。

介绍了液压式柱塞泵的结构特点、性能特性以及在造纸污泥处理中的具体应用案例,尤其针对该设备在为板框压滤机进行喂料时的使用特点、运行效果和日常维护进行了分析。

聚合经验模态分解和基于变量预测模型的模式识别的结合是一种有效的机械故障诊断方法。针对该方法在高速列车故障诊断时存在小样本方法不适用和识别率较低等不足,首先采用滑窗逐步回归法对基于变量预测模型进行了适应性改进,再利用样本间的关联性和连续性,将相邻样本纳入模式识别,并进行样本平滑性处理,从而有效提高了故障诊断识别率。实验分析结果表明,改进方法降低了对样本量的需求,故障识别率提高了20%以上。