针对工程机械铲刀平地作业铲刀与地面的刚性冲击问题,提出一种工程机械平地作业液压浮动系统,通过增加阀芯行程在铲刀联主控阀芯上增加浮动工作位,详细阐述了液压浮动系统工作原理,基于AMESim搭建负载敏感控制的铲刀液压浮动系统仿真模型,进行了仿真参数设置,模拟了铲刀平地越障浮动升降过程,得到了铲刀油缸压力和位移动态曲线,并基于平地越障铲刀油缸易产生震动问题,在铲刀油缸大腔增加蓄能器进行减震,铲刀相同负载工况下进行了浮动升降仿真,研究结果表明:铲刀浮动平地作业越障易抬起铲刀,有效提升铲刀寿命;蓄能器对铲刀油缸平地越障的震动具有很多的吸能减震作用;铲刀油缸大腔冲击压力降低31%,活塞冲击速度降低42%。

针对泵控马达调速系统负载扰动问题设计了一种负载扰动前馈补偿结合双闭环BP神经网络PID控制的复合控制方法,分别在Simulink和AMESim中搭建了控制系统和液压系统的仿真模型,并进行了联合仿真。结果表明:在转速追踪阶段,复合控制在0.3 s达到目标转速,大幅缩短了响应时间,与双闭环BP神经网络PID控制的响应时间相同;在突变负载干扰作用下,复合控制的超调量更小,达到稳定的调节时间更短;在连续变化负载干扰下,复合控制在恢复稳态时基本没有稳态误差,抗干扰能力更强。

在液压系统中,柱塞泵很有可能会产生故障。通过分析故障出现的原因,可以及时找到解决的办法,并提供相关的应急处理预案。基于此,本文首先讨论了柱塞泵比较常见的故障;其次,分析了柱塞泵常见故障的诊断方法,最后介绍了维修处理的方法。仅供相关工作人员参考。

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法。首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27%,平均AUC值达到0.9937,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别。

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题,提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取,基于同一含噪声的液压管路振动实测数据,输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后,为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力,利用t-SNE降维算法进行液压管路特征可视化。结果表明:基于Bi-GRU航空故