基于小波变换的柱塞泵故障诊断方法

基于柱塞泵的脉动分析模型,提出了一种基于小波变换的柱塞泵故障诊断方法。以泵出口处的压力信号作 为分析信号,利用小波变换将该信号进行频谱分解,可有效地提取压力信号中所包含的故障信号。仿真与试验结 果均表明:基于小波变换对泵出口压力信号的分析可实现泵的故障诊断。     

基于小波包的柱塞泵压力脉动信号提取与分析

为解决泵控马达系统在运行过程中由于耦合效应所导致的运行状态信息难以有效提取的问题,在对泵与马达压力脉动信号耦合机理分析的基础上,提出利用小波包对压力脉动信号进行分解与重构并通过不同工况下的实验验证了该方法能有效、实时提取柱塞泵压力脉动信号,同时基于实验数据表明:压力脉动幅值随负载压力的增大而增大,且有随转速升高先减小而后增加的现象。     

基于随机卷积核与孤立森林柱塞泵异常检测方法

液压柱塞泵出口压力脉动信号近似于周期信号,有比较明确的物理含义,携带着丰富的泵的健康状态信息,是柱塞泵健康管理比较理想的信号源。利用柱塞泵出口压力上的脉动成分,提出一种基于随机卷积核的柱塞泵异常检测方法,只需柱塞泵在正常工况下的压力脉动数据即可具备检测异常压力脉动数据的能力。该方法包括波形划分、异常数据段检测2个阶段：采用基于动态时间规整(Dynamic Time Warping, DTW)数据划分算法对柱塞泵压力脉动原始数据进行分割,获取压力脉动数据段以构建数据集;基于大量一维随机卷积核提取特征,获取正常状态下压力脉动数据段特征;使用孤立森林算法对基于随机卷积核提取的特征进行异常检测。该方法在真实数据集上的表现,表明其对于异常波形的判断有优异的表现,且查准率较单一孤立森林算法提升了6.3%。     

气动式涡轮泵泄漏检测与诊断系统研究

采用检测气体压力的方法，研究一种针对涡轮泵泄漏现象进行故障诊断的系统，采用小波方法对检测到的压力参数进行去噪，用泵的液体压力脉动信号进行解调，通过气压信号的缓变量以发现涡轮泵是否存在泄漏。研究结果表明，利用气体压力信息实现涡轮泵泄漏的及时检测是可行的。     

利用泵壳振动信号诊断轴向柱塞泵故障的研究

一、引言轴向柱塞泵发生故障时,其壳体振动与噪声必有异常表现。因此,利用泵壳振动信号作轴向柱塞泵的状态监测与故障诊断参量是一个很有应用价值的课题。迄今为止,国内外学者做了一些工作。这些工作说明:在液压泵的故障诊断中,采用壳体振动信号比     

基于CNC-EMMD的柱塞泵故障诊断技术研究

在对柱塞泵常见故障模式进行分析的基础上,针对柱塞泵早期故障时特征信号微弱的问题,提出了基于余弦相邻系数(Cosine Neighboring Coefficients,CNC)降噪和EMMD分解的故障诊断方法。该方法首先对采集到的泵壳体振动信号进行CNC降噪,提高信噪比,降低信息复杂度;然后利用基于极值域均值模式分解(extremum field mean mode decomposition,EMMD)方法对降噪后的信号进行有限固有模态分解,并对每个模态分量进行包络谱分析,提取故障信息。试验结果表明,该方法能有效提取柱塞泵的早期故障特征,准确分类柱塞泵正常、柱塞孔磨损及滑靴磨损3种状态。     

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明：采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

小波包-神经网络在斜轴泵故障诊断中的应用研究

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题,采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息,并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本,研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法,建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。     

基于小波包分析的液压泵状态监测方法

液压泵是液压系统中的关键部件,对其运行状态的监测与故障诊断对整个液压系统的可靠性具有重要意义。基于小波包分解和小波系数残差分析方法,提出一种利用液压泵出口压力进行液压泵故障诊断的方法。通过分析液压泵出口处压力信号的特征,利用小波包对压力信号进行频谱分解,提取液压泵的故障特征,建立不同频率范围的特征信号与液压泵不同故障因素的对应关系,为液压泵的故障诊断与定位提供依据。利用小波包能量残差判别液压泵的运行健康状态,并比较不同小波基函数在故障诊断时的敏感度。为减小小波分析时边界效应所引起的信号畸变,引入“滑动双窗口”的分析方法。试验结果表明,与快速傅里叶方法相比,基于小波包分解的残差分析方法可有效提高故障诊断的准确率,实现对液压泵的状态监测与故障诊断。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

基于多特征阈值判据的航空液压柱塞泵故障诊断方法研究

液压柱塞泵是航空装备液压系统的关键部件,对其进行准确的故障诊断是保障航空装备正常运行的重大前提。针对力、热耦合作用条件下某型机高压柱塞泵开展故障检测和诊断研究,提出了一种基于多特征阈值判据融合的故障诊断方法,首先构建了基于信息统计的阈值判据计算模型,在此基础上设计了多特征故障判定策略,最后构建了液压柱塞泵测试系统并开展了实验验证。实验结果表明,所提出的方法能够有效判别液压柱塞泵故障,为航空柱塞泵故障检测与诊断提供依据。     

往复压缩机气阀故障诊断的信息融合方法研究

针对使用单一信号对往复压缩机气阀故障进行诊断时所存在的不足．提出一种适合气阀故障诊断的信息融合方法。该方法将气阀的压力信号和振动信号特征进行信息融合，再通过RBF神经网络进行故障诊断。诊断实例表明该方法能更准确地诊断出气阀的各种故障。     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中，有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果，所以，如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下，采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题，为此，提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先，搭建了轴向柱塞泵故障诊断模型，并等量随机抽取了每个故障的样本以构建多个任务，模型使用一维卷积神经网络作为主干，每个任务中包含当前模型、支持集、查询集；然后，利用模型将样本映射到特征空间，在特征空间中，模型使用支持集的同类样本构建了原型点，并逐个将查询集样本与多个原型点进行了距离度量，实现了轴向柱塞泵不同故障的分类；最后，为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性，采集了轴向柱塞泵不同元件发生故障时产生的振动信号，并使用上述诊断模型对此进行了故障识别实验；为了验证该诊断模型的优越性，将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下，采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上；同时，在噪声条件下，采用基于...     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

液压泵气蚀初生的诊断

本文在对轴向柱塞泵和齿轮泵的各种气蚀特征信号进行了全面的测试和分析的基础上,提出了一种新的诊断泵气蚀初生的方法,即根据泵出口低频压力脉动分量的出现与否来判断泵的气蚀初生。这种诊断方法的提出为对液压泵进行有效的在线监测、防止泵遭气蚀破坏、提高泵的工作可靠性,提供了可靠的理论和试验依据。     

应用EEMD和小波包分解的压力脉动信号时域特征提取方法

柱塞马达压力信号是液压系统重要的信号源,其中压力脉动的特征变化能够反映系统局部乃至全局的运行状态。为从多成分混叠的压力信号中有效分离压力脉动成分,重构时域特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波包分解的压力脉动信号时域特征提取方法。首先,利用EEMD将压力信号与干扰信号分离;其次,根据柱塞泵和柱塞马达压力脉动信号的时频特性,利用小波包分解并重构得到柱塞马达压力脉动信号,提取时域特征;最后,结合实验分析脉动特征随工况的变化规律。该方法经实验验证可行有效,且结果表明:压力脉动幅度随转速的升高而减小,随压力的增大而增大,与压力脉动变化机理一致。研究成果可为柱塞马达的运行状态监测提供方法支撑。     

基于贝叶斯分类的核电站泵类设备振动故障诊断方法

传统方法在诊断设备振动故障时,仅提取了振动信号时域特征作为故障向量,导致故障诊断准确率较低、诊断时间较长,故设计了基于贝叶斯分类的核电站泵类设备振动故障诊断方法,在采集泵类设备振动信号后,重构振动信号低频部分并提取信号的时域和频域向量。将提取结果作为贝叶斯分类器的条件属性变量,计算变量归于故障类别的信息熵,选择最高信息熵对应的故障类别作为诊断结果。结果表明：该方法在提高故障诊断准确率的同时缩短了诊断时间。