基于神经网络的液压泵故障诊断

本文提出了一种基于多层感知器神经网络的液压泵故障诊断技术，并建立了从故障信号采集，预处理到诊断的整个框架。最后对某柱塞泵作了试验。     

基于Elman神经网络的液压泵故障诊断模型研究

针对传统BP网路进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了将Elman神经网络应用于液压泵故障诊断的新方法，建立了Elman神经网络的应用结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的效果，可以用于液压泵故障诊断。     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

液压泵轴承故障诊断的神经网络方法研究

他基于集成ＢＰ网络的液压泵轴承故障诊断方法。利用频域和倒频域进行特征提取,采用集成ＢＰ网络进行故障诊断和识别,解决了液压泵轴承故障特征提出困难、多故障识别困难的问题。试验结果表明,利用集成ＢＰ网络可以有效地诊断与识别液压泵轴承多故障模式,并且具有很强的鲁棒性。     

基于神经网络的液压泵故障诊断

本文提出了一种基于多层感知器神经网络的液压泵故障诊断技术，并建立了从故障信号来集，预处理到诊断的整个框架。最后对某柱塞梁作了试验。     

基于Lyapunov指数分析的液压泵故障诊断方法研究

提出了一种基于最大Lyapunov指数分析的微弱信号检测新方法,依据该方法对柱塞泵的脱靴故障进行了实验诊断.实验结果表明,故障压力信号的最大Lyapunov指数比无故障时的正常信号的小,可以作为故障发生与否的定量判据,为旋转机械故障诊断提供了一条新途径.     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

液压泵故障诊断的小波-神经网络方法

针对利用压力信号进行故障诊断的液压齿轮泵,分析了液压齿轮泵的压力脉动机理,研究了应用小波分析进行齿轮泵压力信号的特征提取,利用RBF网络进行故障识别和诊断的方法,建立了相应的RBF神经网络,试验表明小波分析-RBF神经网络方法可对液压齿轮泵的常见故障进行识别和诊断.     

粗糙集在液压泵故障诊断研究中的应用

针对液压泵故障诊断的现实需要,提出了基于粗糙集理论的故障诊断方法.该方法利用小波分析对测量的原始数据进行去噪处理并结合Labview软件进行特征提取,得到揭示其内在规律的数据信息并建立故障诊断决策表.采用粗糙集理论提取决策表中的诊断规则,为液压泵的故障诊断提供有效的依据.通过实验证明了该方法可有效的应用于液压泵的故障诊断.     

基于TSMAAPE与WOA-KELM的液压泵故障诊断北大核心

多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。     

基于声音信号的核主元故障诊断法

针对振动诊断法的局限性,提出了基于声音信号KPCA的故障诊断方法。介绍了核主元分析法的基本原理及其用于故障检测的基本步骤,给出了声音信号详细预处理过程,提取了由时域、频域和时频域参量共同构成的多域特征向量,利用核主元分析法进行了故障诊断。对轴向柱塞泵进行了试验,结果表明:利用声音信号KPCA的故障诊断法是有效的,能克服基于振动信号故障诊断法的不足。     

基于本体的混凝土泵车液压故障诊断方法

针对混凝土泵车液压系统故障的特殊性,提出了基于本体知识库的故障诊断方法。采用面向故障诊断知识的三层本体结构模型,将泵车液压系统常见的故障用本体语义表示出来。对常见的油温过高现象与液压系统较易发生故障的结构单元如溢流阀构建单元故障诊断知识库,利用已有的诊断知识对其进行故障分析。对某型混凝土泵车液压系统进行了故障诊断测试实验。结果表明:文中提出的诊断方法克服了以往其他故障诊断方法的不足,提高了泵车液压系统故障诊断的准确率,保障了运行的可靠性,使液压系统的严重故障发生率下降了75.9%。     

基于DMD和t-SNE的液压泵故障诊断

液压泵长期处于高压、高速的运行工况下,泵体零部件极易发生故障。实际工况下测量的振动信号往往包含着许多无关信号成分如噪声,导致传统方法难以实现故障类型的准确识别。提出一种基于动模式分解(DMD)和t分布随机近邻嵌入(t-SNE)聚类的液压泵故障模式识别方法。在泵体布置传感器进行监测获得振动信号,首先利用DMD进行分解获得表征信号本质特征的模式分量,再利用t-SNE进行降维聚类,实现不同故障类型的准确识别。通过数值仿真和试验台故障数据分析,验证了提出方法的可行性及有效性。     

基于大数据分析的液压系统故障诊断综述

结合大数据分析技术,针对液压领域的故障诊断,围绕近几年故障诊断的研究现状,归纳总结基于大数据分析的液压故障诊断原理。重点讨论诊断的关键技术,阐述这些技术的优势与不足。对液压系统故障诊断方法进一步的研究思路进行展望,为后续的研究提供参考。     

频域特征量的故障敏感性实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键.采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,采用合适的信号预处理方法得到有价值的低频信号,从低频信号中提取出频域特征参量,分析频域特征量对每种故障的敏感性,找到各故障的频域敏感因子.为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义.     

基于概率神经网络的全向足球机器人运动系统的故障诊断

全向足球机器人运动系统故障诊断研究对于增强其鲁棒性具有重要意义。在分析全向足球机器人运动系统故障类型的基础上,提出了基于概率神经网络的全向足球机器人运动系统故障诊断方法。在该方法中,采用卡尔曼滤波器实时处理全向足球机器人运动速度的残差信号,并通过概率神经网络对其故障进行诊断。给出的仿真实例证明了该方法的有效性。