液压控制阀的故障元件诊断分析与处理

液压控制阀的种类很多,是组成液压系统的主要元件.对液压控制阀的故障进行诊断分析与处理时,首先要从液压系统中找出出现故障的元件.介绍了故障元件的诊断方法,以溢流阀为例,具体分析了其故障产生的处所及原因,并提出了处理方法和改进措施.     

液压有源测试在锻造机液压故障诊断中的应用

随着液压技术的快速发展,大型锻造机液压系统越来越复杂,由于液压系统内泄漏引发的故障停机造成的经济损失越来越巨大,急需一种快速、准确的在线内泄漏的检测方法,本文提出了基于液压有源测试技术锻造机故障诊断方法研究。建立了开式液压系统泄漏模型和开式液压系统的液压有源在线测试泄漏模型,对开式液压系统的总泄漏进行了分析,得到总泄漏为主油路所有控制元件的泄漏量和某一支路元件的泄漏之和,并对主油路控制元件、支路元件泄漏的测试方法进行了分析。通过某1 250 t锻造机液压系统压力不足的故障进行了应用研究,验证了所提方法对于检测复杂液压系统的内泄故障的有效性。     

基于神经网络和元件关联分析的电网故障诊断

利用人工神经网络（ＡＮＮ）和元件关联分析进行电力系统故障诊断,提出了一种电 力系统多重复杂故障的诊断方法。该方法采用面向元件的ＡＮＮ模型,将电力系统的元件分 为３类,即线路、变压器和母线,对每类元件都有一个特定的ＡＮＮ处理其报警信息,确定 故障位置。对于同一跳闸区域中面向各个元件的ＡＮＮ的诊断输出,通过定义一个故障指标 函数,根据各元件的故障指标函数值的大小来识别同一跳闸区域内的多重故障。该方法所使 用的ＡＮＮ模型规模小,通用于网络的所有元件,且故障识别的方法简单,适用于大规模电 力系统的故障诊断。     

塔式起重机液压顶升系统故障机理研究及防治

本文对塔式起重机液压顶升系统常出现的故障机理及防治方法进行综合研究。 液压顶升系统(以下简称系统)液压元件磨损和密封件失效使系统产生超量内泄漏便是系统出现故障的主要原因。减少固体颗粒对液压油的污染,防止液压冲击和系统发热是防止和减少系统故障行之有效的方法。     

江西省自然科学基金项目传感器信息融合及液压系统智能故障诊断

液压系统以其快速响应、大功率、高性能及易于远程操作与控制等特点,被作为一种主要动力装置广泛应用于各种机械设备中,其规模与复杂性日益提高,元件及系统的故障与失效的原因也变得更加复杂,单一的一种方法或几种方法无法从根本上解决液压系统故障诊断问题。多传感器数据融合是对人脑综合处理复杂问题的一种功能上的模拟和拓展,其在人工智能、目标识别、医学诊断等领域已得到广泛地研究,但是在液压故障诊断领域这一技术还处于初级阶段。     

液压系统故障诊断

在使用液压设备时,液压系统可能出现多种多样的故障,介绍了液压系统产生故障的一些征兆及对液压系统故障进行诊断的一些方法.     

液压系统故障诊断

在使用液压设备时,液压系统可能出现多种多样的故障,介绍了液压系统产生故障的一些征兆及对液压系统故障进行诊断的一些方法。     

基于人工神经网络的变电站故障诊断

介绍了一种利用人工神经网络（ＡＮＮ） 实现变电站故障诊断的方法,该方法充分利用人工神经网络所具有的强大的学习能力及高度的容错性等特点,实现对变电站故障元件的诊断．仿真结果表明,该方法不仅能准确地诊断出保护、开关正确动作时的故障元件,也可有效地诊断出因保护或开关拒动的越级故障时的故障元件．     

工程机械液压系统故障分析处理

工程机械液压系统常常出故障。掌握液压系统工作原理,熟悉各个组成元件性能,针对故障现象按一定顺序查找失效部位,就能迅速排除故障。     

压砖机液压系统故障诊断

对某厂压砖机液压系统的故障进行了分析，介绍了排除故障的方法，总结了液压系统故障发生概率和排除要点．     

工程机械发动机不能起动故障案例分析

以微处理或微型计算机为核心的电子控制系统通常具有故障自诊功能,其中更多的电子元件通过电磁阀来对工程机械液压系统进行控制,故障率高,有时会出现发动机不能起动故障。本文以工程机械发动机不能起动现象为典型案例,分析其故障产生的原因,探讨故障诊断与检测方法。     

用振动信号功率谱分析法对内燃机气门间隙故障诊断的实验研究

本文利用从內燃机表面拾取振动信号进行功率谱分析的方法,对配气机构单个气门间隙变化而产生的故障进行了分析研究.从气门间隙正常和异常条件下进行实验获得正常和异常功率谱图,找到了气门敲击的特征频率及气门间隙变化后特征频率上振动能量的变化,从而证明可以利用功率谱分析方法对气门间隙异常进行不解体诊断.     

基于噪声的工程机械液压系统故障分析

针对工程机械液压系统噪声故障,从工程机械液压系统产生噪声的来源和机理入手进行故障分析,根据长期的实践提出基于噪声的工程机械液压系统故障诊断方法,为工程机械液压系统噪声故障诊断与排除提供参考.     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

电厂用电液伺服阀常见问题及对策

从各种电液伺服阀的特点出发 ,分析了电液伺服阀故障产生的原因 ,提出了预防故障的措施。     

机器人化装载机工作装置数字电液比例控制系统

采用数字高速开关阀为先导阀构成数字电液比例多路换向阀 ,实现对装载机工作装置的数字化控制。提出了数字电液比例系统的数学模型及控制规律 ,并进行了计算机仿真及实验验证。     

液压系统故障诊断的灰色理论方法探讨

从液压系统及其故障的特殊性出发,提出液压系统是个灰色系统、液压系统故障具有灰色性质,从而为灰色系统理论应用于液压系统的故障诊断提供了前提。鉴于液压系统的状态特征参数存在三种不同模式,针对运用灰色关联方法进行液压系统故障诊断时所面临的问题提出了解决办法,并在齿轮泵故障诊断实验研究中得到了验证。结果表明,在信息量不多的情况下,灰色关联分析方法是液压系统状态识别与故障诊断的一个有效工具。     

Fault detection and diagnosis of permanent-magnetic DC motors based on current analysis and BP neural networks

In order to guarantee quality during mass serial production of motors, a convenient approach on how to detect and diagnose the faults of a permanent-magnetic DC motor based on armature current analysis and BP neural networks was presented in this paper. The fault feature vector was directly established by analyzing the armature current. Fault features were extracted from the current using various signal processing methods including Fourier analysis, wavelet analysis and statistical methods. Then an advanced BP neural network was used to finish decision-making and separate fault patterns. Finally, the aeeuracy of the method in this paper was verified by analyzing the mechanism of faults theoretically. The consistency hetween the experimental results and the theoretical analysis shows that four kinds of representative faults of low power permanent-magnetic DC motors can be diagnosed conveniently bv this method. These four faults are brush fray, open circuit of components, open weld of components and short circuit hetween armature coils. This method needs fewer hardware instruments than the conventional method and whole procedures can be accomplished by several software packages developed in this paper.