共查询到19条相似文献,搜索用时 156 毫秒
1.
针对盾构机液压推进系统的智能故障诊断系统设计的相关问题,以中铁十四局在工程项目中使用的泥水盾构机为研究对象,介绍了盾构机液压推进系统的工作原理,利用故障影响模式及危害性分析(Failure Mode, Effects and Criticality Analysis, FMECA)方法对推进系统的故障模式和故障机理进行了梳理总结,并根据推进系统的工作原理,结合AMESim软件建立了系统的仿真模型,通过修改模型参数模拟出液压缸泄漏、溢流阀泄漏、换向阀泄漏、调速阀损坏4种常见故障模式。在此基础之上,提出基于有源自回归(Auto-Regressive with Extra Inputs, ARX)模型和模糊C-均值聚类(Fuzzy C-means, FCM)聚类相结合的故障诊断方法,该方法利用ARX模型对多传感器数据进行融合,提取不同故障模式的故障特征,并通过FCM算法根据故障特征对不同的故障模式进行诊断识别。仿真结果表明,基于ARX-FCM的故障诊断方法可以对每种故障模式进行精准的识别,能够有效的应用于盾构机液压推进系统的故障诊断系统设计中。 相似文献
2.
针对盾构机液压推进系统的故障诊断问题,以在芜湖长江隧道项目过程中所使用的大型液压驱动型泥水盾构机为研究对象,分析了盾构机液压推进系统的工作原理,总结了推进系统中液压缸泄漏、换向阀泄漏及溢流阀泄漏故障模式的发生机理及其对推进系统造成的影响。利用AMESim平台建立推进系统模型,对液压缸泄漏、换向阀泄漏及溢流阀泄漏3类故障进行仿真分析,并提取液压缸推进速度、推进行程、无杆腔流量和系统压力4种推进参数的仿真数据。仿真结果表明:发生液压缸泄漏故障时,活塞杆无法伸出,推进速度为0;发生换向阀泄漏故障时,液压缸出现自走现象,推进速度明显降低;发生溢流阀泄漏故障时,系统压力明显降低,液压缸无法克服阻力向前推进。为后续盾构机推进系统的故障诊断和预测提供了有价值的参考。 相似文献
3.
4.
5.
针对液压系统中元件复杂、故障隐蔽性强而造成的诊断难题,提出了基于模型的故障诊断方法,为验证方法的可行性,进一步提出了故障诊断的仿真验证方法,搭建了其仿真模型。以某型随车起重机变幅液压系统的工作原理为基础,分析了变幅液压系统常见故障及故障注入方法,选取换向阀阀芯卡死故障进行诊断,通过阀芯液阻控制模块注入阀芯卡死故障,建立其功率键合图模型;其次,利用扩展遍历路径法生成一组解析冗余关系(ARR)的公式,并推导出阈值计算公式,采用MATLAB/Simulink平台搭建的故障诊断仿真模型计算出系统残差;最终,根据残差估计结果,对带有换向阀卡死故障的变幅液压系统进行诊断。通过诊断结果与初始故障注入对比,以及对随车起重机实验台的故障实验结果分析,验证了基于模型的液压系统故障诊断方法的可行性和高效性,为工程机械液压系统的故障诊断提供了新思路,并为预测液压系统剩余寿命奠定基础。 相似文献
6.
7.
液压起竖系统故障机理复杂、故障现象隐蔽,依靠传统方法难以及时准确地诊断故障.因此,提出采用Elman神经网络来对液压起竖系统实施故障诊断.利用Elman神经网络建立了故障诊断模型,通过典型特征故障的学习训练后,应用于液压起竖系统的故障诊断.结果表明该诊断方法运行速度快、诊断准确且容易实现. 相似文献
8.
9.
针对液压系统清洁度对整个系统故障影响缺乏量化分析方法和工具,液压系统故障及故障源的多样性问题,借鉴信息论的熵权法,对液压系统的清洁度和故障进行了分析。提出“清洁度熵”的概念,分析了清洁度对液压系统故障的影响,建立了液压系统故障源的特性判断矩阵,将液压系统非损坏性故障追溯到各零件、油液等的清洁度,建立了清洁度熵的数学模型,并运用专家打分法对各清洁度熵综合权重进行了评价与排序,提取影响系统性能的关键故障源。结合实例进行了清洁度熵的计算,利用软件仿真法验证了清洁度熵计算过程,然后对故障源进行排序,得到了关键故障源。该方法弥补了传统的液压系统故障分析方法缺乏定量分析的缺点,使得液压系统故障原因的确定更为直接、准确。 相似文献
10.
11.
液压推进系统是盾构机的关键构成,承担着盾构机姿态控制、纠偏和同步前进等重要功能,以推进系统的运行数据为基础,精准预测数据的变化是分析、预测和避免盾构机产生安全问题的重要手段。基于随机时序分析法(Autoregressive Integrated Moving Average model, ARIMA)对盾构机液压推进系统数据进行预测研究。首先利用相关性分析方法,获得了与盾构机液压推进系统推进过程相关性较高的数据类别为掘进速度,基于该数据进行了自相关性的分析;之后,基于ARIMA方法,建立了盾构机液压推进系统ARIMA模型,并利用该模型进行了平稳性分析与贝叶斯信息准则;最后,基于优化模型分析比较了基于K-means的循环神经网络(Recurrent Neural Network, RNN)预测方法以及线性回归预测方法对数据预测的效果。研究表明,ARIMA模型下的线性回归方法能很好的预测盾构机液压推进系统数据变化趋势及异常数据预测,对盾构机的故障诊断及预测有重要的意义。 相似文献
12.
在全面分析盾构液压系统常见故障的基础上,针对施工现场所采用的简单故障诊断方法的不足,依据液压系统故障检测诊断技术的发展趋势,并结合已有的成熟技术,提出了一套盾构液压系统故障智能诊断系统.以螺旋输送机后闸门液压系统故障为例,进行了应用说明,能够为盾构施工现场的液压系统故障诊断提供指导. 相似文献
13.
针对大直径泥水盾构机液压系统,结合中铁十四局集团大盾构工程有限公司开展的芜湖长江隧道项目进程中使用的大直径泥水盾构机,围绕盾构机的工作原理及主体结构、盾构机液压系统的工作原理及主要组成成分,对盾构机液压系统故障类型及故障诊断相关技术的研究进展进行综述。总结了目前盾构机液压系统的相关技术发展现状,为盾构机领域相关研究指明了方向。对我国相关行业技术人员深入研究盾构机液压系统的组成结构及故障诊断方面提供帮助,推动行业技术进步。 相似文献
14.
以微型土压平衡(Earth Pressure Balance,EPB)盾构机推进液压系统作为研究对象,介绍了推进系统的工作原理,对混入空气后的油液黏度和有效体积弹性模量进行分析,建立了推进系统数学模型,并对混入不同百分比空气的系统进行仿真运算,得到了液压缸位移响应和速度响应随系统含气量变化的关系。研究表明:随着液压系统空气含量的增加,液压缸位移响应发生迟滞,速度响应变慢,液压缸在运动时产生振动。结合各液压元件工作原理,依次对实际盾构机推进系统元件进行排气,最终排除了液压系统中混入的空气,为实现盾构机平稳推进提供了理论依据。 相似文献
15.
正交迭代局部Fisher判别转子故障诊断 总被引:1,自引:1,他引:0
通过局部加权邻接矩阵重新定义类内散度和类间散度,建立局部Fisher判别函数,在特征值求解过程中以正交迭代方式找出最优投影向量,得到故障诊断模型。该方法能保证数据降维过程中的重构误差最小,并可直接运用故障诊断模型识别增量数据,避免了一般流形学习模式识别时对动态增量数据需要重建模型的问题。转子故障诊断试验表明,对于多传感器振动特征融合信号,相对其他流形学习算法,正交局部Fisher判别(orthogonl locally Fisher discriminant,简称OLFD)的故障诊断效果最好。 相似文献
16.
Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing. 相似文献
17.
18.