针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)模糊熵和支持向量机(Vupport Vector Machine,SVM)相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量(Intrinsic Modal Component,IMF);然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解(Empirical Mode Decomposition,EMD)模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。

电液比例控制系统具有多变量、强耦合、非线性的特点。采用常规的PID控制时，系统的控制性能对模型的误差比较敏感，在系统工况变化较大（如长行程、变负荷等工况）时，系统的总体控制精度不高，不能满足工作装置的控制要求。神经网络控制器具有的强非线性拟合特性为解决此类问题提供了一条有效的途径。该文以液压挖掘机的电液比例控制系统为对象，利用仿真试验手段对神经网络控制器应用于电液控制系统时的设计及参数调整方法进行深入的研究，以期利用神经网络控制器提高在高时变强非线性系统时获得良好的全局控制性能。该文首先介绍了液压挖掘机大臂液压比例控制系统的组成及控制要求，基于此电液比例控制系统的特点并结合神经网络控制理论基础，对神经网络控制器的设计方法进行探讨，在仿真过程中通过观察控制器参数对系

全液压负荷传感转向系统具有转向灵敏可靠、轻便省力、性能稳定、安全可靠、高效节能等特点,转向抖动是转向系统较难迅速判定的故障之一.此类故障发生频率较低,但严重影响司机操作和转向器使用寿命.从转向系统是否进气、优先阀内部弹簧系数大小,转向器内部LS控制回路阻尼孔径大小等几个方面进行故障排查,分析产生转向器抖动原因及优化设计,进而消除转向抖动故障,防止损失扩大化.