轴向柱塞泵压力脉动既是引起液压系统转速波动、振动噪声以及输出稳定性的重要原因,也是获取故障信息的主要信息源。液压系统具有强噪声干扰特性,导致监测信号信噪比低,因此很有必要深度挖掘压力信号携带的系统运行状态信息。本文首先通过柱塞泵流量损失机理,来分析流量脉动与压力脉动之间的映射关系。之后基于标准Gabor变换对压力信号进行滤波重构。最后根据压力信号时域波形形貌,提出4个特征指标来分析不同运行工况下的压力脉动特点。实验结果表明标准Gabor变换能够准确提取信号中的高次谐波及相位频率。其重构的轴向柱塞泵压力脉动时域波形形貌,蕴含着丰富的运行状态信息。通过分析各工况下脉动的变化特点,为液压泵、马达及关键元件的故障诊断和健康评估提供了新的理论依据和方法支持。

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony,ABC)实现了对变分模态分解(Variational mode decomposition,VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function,IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network,DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。

变转速泵控液压缸系统转速或负载大范围变动导致的液压系统参量非线性变化,可使基于线性模型设计的控制系统出现控制参数不合理、精度不稳定,甚至控制失稳等问题,本文通过分析典型变转速泵控液压缸系统的状态空间,提出了一种多模型自适应PID(Multi-model adaptive PID,MMA-PID)控制方法。该方法根据系统压力的改变引起的油液体积弹性模量的非线性变化,用多个线性子模型分别描述系统行为,并针对每个子模型,单独设计一个合理的控制器。控制过程中,通过卡尔曼滤波器分别估计各个子模型的输出权重系数,并将所有子模型控制输出加权融合作为系统最终的控制输入。仿真和实验结果表明,在工况大范围变化时,多模型自适应PID控制相较于传统的PID控制,能更好的适应系统参量的非线性变化,具有更好的控制效果和动态性能。