针对乳化液泵配流阀弹簧故障识别难度大、故障特征提取困难等一系列问题,提出一种基于振动烈度的乳化液泵配流阀弹簧故障特征提取方法。基于AMESim软件搭建乳化液泵仿真模型,通过分别设置不同参数模拟吸、排液阀弹簧故障形式,得到正常和吸、排液阀弹簧故障状态下的出口压力信号;根据振动烈度理论,将泵出口压力信号转换成加速度信号,在频域上对出口压力信号进行烈度特征值的提取和分析。研究结果表明当吸、排液阀分别发生故障时,对出口压力烈度特征值的影响规律不同,随着吸液阀弹簧故障程度的加深,出口压力烈度特征值由正常时的15.82 mm/s2增大到20.58、28.18、34.85 mm/s2,且在断裂时达到最大值;随着排液阀弹簧故障程度的加深,出口压力烈度特征值由正常时的15.82 mm/s2减小到15.77、14.88、9.28 mm/s2,且在断裂时达到最小值。该结果可为后续乳化液...

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

在实际生产中,不同工况下的源域数据与目标域数据分布差异大且含标签的故障样本量少,单源域迁移故障诊断无法同时利用多个源域提供的诊断信息,会出现负迁移与模型泛化能力差的问题。针对此情况,提出一种基于多源域深度域自适应模型的滚动轴承故障诊断方法。将多个源域与目标域的原始一维时域信号输入到模型中的共享特征提取网络中,提取所有域的域不变特征;利用私有特征提取网络分别匹配每个源域与目标域的特征空间分布,结合最大均方差异(MMSD)与局部最大均值差异(LMMD)设计新型损失函数——局部最大均方差异(LMMSD),减小每对源域与目标域之间的数据特征分布差异,同时,使用领域判别器损失进一步增加域混淆;最后,根据LMMSD损失获得不同源域相对于目标域的权重,将多个源分类器与相应的权重相结合,对设备状态进行综合诊断。在2个公开变...

制动器启闭时间是表征提升设备液压制动器性能优劣最直观的特征参数,但在实际工程中不易直接提取。针对此问题,以液压制动系统为研究对象,通过分析制动器启闭压力数据特征,提出一种分段拟合的提取方法。此方法对制动器启闭压力上升或下降阶段的数据进行指数函数拟合,取稳定阶段数据的均值作此段拟合曲线,通过拟合曲线的交点坐标可以解出制动器的启闭时间;利用Simulink建立液压制动系统仿真模型,获取制动器启闭压力仿真数据,并结合实际测量数据对所提方法进行验证分析。研究结果表明基于此特征提取方法,所得启闭时间特征结果与理论特征值对比,误差可控制在3%以内;提取的实际启闭时间特征值在过渡段范围之内,验证了提取方法的有效性与实用性,可满足工程中对液压制动器特征参数提取的要求。

为了提高数控机床刀具磨损状态智能监测的可靠性,提出一种基于多传感器信息融合的刀具磨损状态智能监测方法及系统。利用多种传感器分别采集刀具加工过程中的机床变频器输入电流信号、工件三向振动信号和声信号,然后对采集到的信号进行时域、频域和时频域处理分析。系统自动识别提取出其中与刀具磨损程度相关性较高的敏感特征变量,并利用马氏距离法对敏感特征向量进行分析计算,确定刀具不同状态下的阈值,并据此判断刀具的磨损状态。最后基于上述原理利用QT开发平台研发一套完整的数控机床刀具磨损状态智能监测系统。试验结果表明,该系统能够实时准确地监测出刀具的磨损状态。

针对数控机床加工过程异常检测问题,提出一种基于KNN算法的数控机床加工过程异常检测方法。该方法利用机床加工过程信号,通过时、频域分析提取信号特征,利用KNN算法进行决策判断,可检测并识别出数控机床加工过程中存在的异常情况。利用某生产线上的实验案例,在数控机床上完成了多组正常零件和常见异常零件的加工实验,采集了加工过程各轴的高频电流数据,对信号进行处理,完成了加工过程信号的特征提取并从中选取了对异常检测有效的特征,经过交叉实验,确定了KNN算法合适的K值。最后,通过训练,得到了异常检测模型,并利用验证集对模型进行了验证,证明了该异常检测模型具有较高的准确率。

为提高液压缸内泄漏故障的诊断精度,实现智能故障诊断,以EHA液压系统为研究对象,基于距离区分技术对故障特征进行提取,以时域、频域、小波能量以及AR模型等参数为主要敏感特征,并通过机器学习算法以及BP神经网络算法对故障特征进行分类。结果表明,相较于BP神经算法,机器学习算法分类精度更高,能对液压缸内泄故障进行有效诊断。

在一些大海域进行的分布式测试系统实验中，对大量、多种类测试数据的有效存储管理是必要的。NAND Flash存储器具有非易失、大容量、可擦除与重复性编程等优点，并可基于其构建文件系统实现文件的有效存储管理。无线实时回传处理大量数据是系统的瓶颈，因此存储数据时可提取数据特征并存储特征，为实现基于特征提取的高效数据传输提供可能，提高系统的实时性。

针对轴承钢硬度检测要求，提出了对电磁检测信号进行分类处理的简便方法，得出了一种简单实用的无IR区的线性分类规则。在此基础上，利用C＋＋Builder设计了轴承钢硬度虚拟检测系统。

针对液压滑阀在声发射技术下内泄漏信号样本采集不足、变量因素考虑不全的问题,搭建了声发射内泄漏检测实验系统。以公称通径为10 mm、16 mm、20 mm的液压滑阀为研究对象,通过改变阀芯直径、间隙高度、密封长度及滑阀上下游压差对液压滑阀进行声发射信号采集并记录实际内泄漏率。对180个工况内泄漏信号定阶后基于Burg算法进行AR模型功率谱分析,并提取能量特征分析内泄漏率与敏感特征关系。结果表明,能量特征能有效区分不同间隙高度的内泄漏率,并成功判断内泄漏率是否大于40 ml/min。