装备液压系统快速故障诊断是维修保障人员亟待解决的难题。以某装备吊机液压系统故障诊断为研究对象,梳理历年故障案例库,运用故障树解析故障原因、逻辑及耦合关系,明确故障产生的全部最小割集。将故障树与专家系统有机结合,依据故障规则构建基于故障树的专家知识库,选用自上而下正向查找方式的推理机制,融合概念图知识匹配模式,设计模糊含权概念图的投影匹配算法。在VB环境下实现专家系统软件功能,使系统具备知识库持续升级、用户故障定位查询、故障排除指导、历史故障记录、诊断报告生成等功能,有效指导维修保障人员进行装备液压系统的故障诊断与排除,并可推广至其他型号、类型的装备液压系统故障诊断中。

针对当前的装备故障诊断方法多用于周期性、连续性的旋转机械故障,对非周期性、突变和离散的液压系统并不适合,结合装填车液压系统的故障现状,提出了一种基于CBR-RBF-KG的故障诊断方法。创建案例库,使用jieba分词法和TF-IDF关键词抽取算法提取目标故障特征,使用径向基(RBF)神经网络进行案例检索,最后通过知识图谱(KG)来展示案例。结果表明:使用知识图谱能更直观的展示案例,该方法可有效的诊断液压系统故障。

提出基于粒子群优化(Particle Swarm Optimization,PSO)的极限学习机(Extreme Learning Machine,ELM)的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明:PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。

结合大数据分析技术,针对液压领域的故障诊断,围绕近几年故障诊断的研究现状,归纳总结基于大数据分析的液压故障诊断原理。重点讨论诊断的关键技术,阐述这些技术的优势与不足。对液压系统故障诊断方法进一步的研究思路进行展望,为后续的研究提供参考。

液压系统在军用装备中应用广泛,也对军用装备的可靠性起着重要影响。随着人工智能技术的发展,液压系统性能衰退预测技术得到了有效的促进。阐述液压系统性能衰退预测技术,介绍该技术常用的方法,并介绍其优缺点和代表的研究和应用。针对液压系统性能衰退预测技术在军用装备中的应用,列举了代表性的研究成果。对该研究方向面临的问题和不足进行了叙述,最后展望了该技术未来的发展方向。