基于SOM网络可视化技术的液压系统故障分类研究

针对SOM网络（自组织特征映射神经网络）可视化方法简单、直观的特点,文中将其应用到液压系统的故障分类中。以电流信号的频域能量作为特征参数,用db2共轭正交滤波器组对所获数据进行小波包分解,提取系统在正常及故障运行状态下的特征向量,作为训练样本,然后利用U矩阵图和D矩阵图等可视化T具对分类结果进行仿真与分析,并与一般结果进行比较。结论表明,该方法可行且对故障的判别率高。     

基于动态神经网络的液压伺服系统故障检测

根据故障诊断系统的特点，采用输出递归神经网络对某液压位置伺服系统进行了故障检测研究。该动态神经网络模型的采用使网络成为系统的完全模型，避免了故障学习，可以较好地检测出较难检测的故障。通过仿真，与前馈时延网络与对角递归网络的比较研究，说明了在实时故障诊断系统中输出递归网络结构的优越性。     

基于模糊神经网络的液压系统故障诊断方法

根据专家系统基本原理,结合古典信号处理方法、模糊理论、神经网络理论,建立了系统故障诊断系统的结构形式和学习算法。以此为基础编制了厚度自动控制（AGC）系统故障诊断专家系统软件。利用模糊诊断理论进行模糊推理以解决系统故障的实时诊断,利用神经网络对模糊推理模型训练以提高诊断的准确率,并可对未知的知识进行学习和补充。通过实验证明所用方法有效。     

基于神经网络理论的液压系统故障诊断系统

为了实时、准确地对液压系统的故障进行诊断,开发了一套基于神经网络理论的液压系统故障诊断系统,利用PC机强大的数据处理能力对采集的数据进行实时处理并直观地显示处理结果,极大地提高了诊断速度和准确度。将此系统应用于某型车辆液压系统的故障诊断,达到了比一般故障诊断系统更好的准确度和更快的速度。     

基于包络-灰色理论的液压系统故障诊断方法研究

以机械工程中液压动力系统为对象,通过大量理论研究与试验验证发现:电流信号中蕴藏着反映电机、液压泵以及机械装置运行状态的信息,而液压设备的许多故障信息是以调制的形式存在于所监测的电流信号中,利用Morlet进行解包络分析,提取包络分析的时域特征参数,将其组成故障特征向量,进行灰色关联度分析,从而把包络解调分析和灰色关联分析有机结合在一起,综合它们的优势,进行故障分类和识别,为液压设备的故障诊断提供一条新的思路.     

液压系统故障特征提取方法研究

针对液压系统故障特征不清楚、诊断特别困难的难题,提出利用EEMD分解与相关性分析相结合的液压系统故障特征提取方法。首先用EEMD分解液压故障信号得到一组IMF分量,从中筛选出与故障信号自身相关系数大的IMF分量作为一组故障的候选IMF分量集;再在故障信号的IMF分量中筛选出与正常信号相关系数小的IMF分量,作为另一组故障的候选IMF分量集;两组候选IMF分量集的交集确定原故障信号的主要故障特征IMF分量,作自功率谱分析即可得到所提取IMF分量包含主要故障特征频率,并通过所提取IMF分量与正常信号的互功率谱验证特征提取的正确性。用该方法准确提取出液压实验台泄漏故障特征IMF分量以及故障特征频率。     

基于模糊神经网络的液压动力机构故障诊断研究

介绍了模糊规则网络的原理及算法.并用该网络对一种由三通阀和差动液压缸构成的液压动力机构的故障进行了趋势预测.实验证明:用模糊神经网络技术能够及时准确的预报机器故障,为机器的尽快维修提供了可靠的依据.     

基于模糊神经网络的液压动力机构故障诊断研究

介绍了模糊规则网络的原理及算法,并用该网络对一种由三通阀和差动液压缸构成的液压动力机构的故障进行了趋势预测.实验证明:用模糊神经网络技术能够及时准确的预报机器故障,为机器的尽快维修提供了可靠的依据.     

基于LVQ网络的液压系统故障诊断方法研究

针对液压系统故障诊断的复杂性,阐述了基于LVQ算法进行液压系统故障诊断的基本原理,并以某型导弹转载车的下车液压系统为例进行了仿真验证。仿真结果表明,该方法具有良好的故障模式识别能力,对一般的液压系统具有良好的适用性。     

基于竞争网络的液压系统故障诊断方法

竞争网络是一种能够进行无导师学习的神经网络，通过训练可以对输入向量进行自动分类，从而用于模式识别等目的。文章在介绍一般竞争网络和学习向量量化网络训练算法的基础上，分析了竞争网络用于液压系统故障诊断的方法。     

基于正交试验的转阀式液压动力转向系统助力性能研究

为研究转阀式液压动力转向系统的助力性能,利用AMESim软件和LMS Virtual. Lab Motion软件建立了液压动力转向车辆的联合仿真模型,以转向轻便性和“路感”为评价指标进行正交试验,分析了动力转向系统供油量、转阀阀口尺寸及扭杆刚度对动力转向系统助力性能的影响。分析结果表明,对轻便性影响最大的参数为系统供油量,对“路感”影响最大的参数为扭杆刚度;正交优化后的转向系统“路感”较优化前明显增强。

     

自适应因子神经网络的变压器故障诊断研究

电力变压器是是电力系统的核心设备。为预防并降低电力变压器发生故障概率,设计了小波神经网络对电力变压器进行故障诊断。为提高迭代计算速度及计算精度,提出一种基于自适应修正因子的模型优化方法,通过自适应修正因子可以忽略模型中的局部极值,进而消除微小变化特性,排除杂波干扰。基于自适应修正因子设计变压器故障诊断小波神经网络模型训练方法,从而提高迭代计算效率及精度。通过与传统的神经网络模型及粒子群小波神经网络的故障分析结果及误差对比分析,验证所设计的电力变压器故障诊断模型具有较高的可用性。研究结果为电力变压器故障诊断分析提供理论基础。     

基于故障树分析的液压系统故障诊断研究

本文介绍了故障树分析方法.以叉车液压系统为例通过分析系统故障形式、液压系统结构以及组件与系统之间的逻辑关系,绘制了系统的故障树,再依据故障树进行故障排查和诊断.此方法简便、直观、实用.应用于液压系统故障诊断中能够取得令人满意的效果.     

基于故障树分析的液压故障诊断专家系统研究

分析了某装甲车辆液压系统的失效模式与故障机理,建立了故障树,并结合专家系统研究了基于故障树的专家系统知识库的构建以及推理机的实现。该智能故障诊断方法较好地解决了专家系统的知识获取难题,提高了液压系统的智能故障诊断水平。     

基于频域能量特征的故障分类方法研究

该文针对现有频域分析方法的不足，利用小波包分解具有任意的时间-频率局域化特性，给出一种对信号进行多频段能量特征提取以及主分析频段的细化能量特征提取新技术，在此基础上将能量容差概念引入ART1神经网络；进而提出了基于小波包分解与ART1神经网络相结合的故障分类方法。液压动力系统电流信号的诊断实例证明该方法有效、可靠。     

基于PSO优化的RBF网络液压泵故障诊断研究

提出了以小包分解和粒子群优化的径向基神经网络(RBFNN)为基础的液压泵故障诊断方法。通过小波包分解对振动信号做降噪处理并提取相应的故障信号的特征能量值,将此特征能量值作为神经网络的输入,再采用粒子群算法对神经网络的数据中心和宽度、输出权值和阈值进行优化,并将其分别与基于传统神经网络和基于遗传算法优化的故障诊断方法进行对比分析。对比结果表明,该方法具有很好的诊断效果。