针对现有研究液压系统单一故障较多而复杂多故障较少的情况,结合液压系统实际采集的数据往往具有多采样率的特点,提出一种多通道卷积神经网络模型,将不同采样频率下的传感器数据分别作为一个通道输入,利用卷积神经网络自动进行提取特征,全连接层将提取的多传感器特征信息进行融合,实现液压系统的混合多故障诊断。利用多级评价指标将提出的多通道卷积神经网络模型与传统的单通道卷积神经网络算法对比,结果表明,相较于单通道卷积神经网络不能很好地识别液压系统多故障发生时的液压泵和蓄能器故障,提出的算法模型诊断准确率达到了99%,并且具有很好的鲁棒性。

随着液压系统的功能、规模、复杂程度逐步提高,液压系统故障比率也随之增加。为提高液压系统的可靠性与安全性,对系统液压油产生颗粒污染时锚机液压泵出口管路的内部流场进行研究;设计不同颗粒污染等级的管路流动方案,采用Fluent对模型内部的流场进行模拟;基于边界层理论,对液压管路污染等级进行评估。为从整体上提高船舶液压设备的状态检测和船舶智能化水平提供了条件。

为有效提取气泡对管路边界层的扰动参数,达到提前预测和判断空气对液压管路污染的目的,基于管路流动边界层理论和气液两相流动理论,通过Fluent仿真平台建立气液管路模型,计算得到气泡流型及其对边界层速度梯度的影响规律。通过实验验证了仿真模型中气泡流型变化的一致性,并提出了一种液压系统空气污染诊断的新方法。计算结果表明,该方法能通过提取边界层微观变化规律来监测液压系统宏观空气污染故障;但是,当气泡直径小于0.01 mm时,则面临监测不到边界层速度梯度变化的情况。