基于液压溢流阀体工况,提出一种振动频率特性的故障诊断方法.利用溢流阀体振动信号的相关性、自回归模型的参数和功率谱特性,获得故障的突变信息,从而确认溢流阀的工作状态,为液压系统故障的诊断提供判断依据.测试系统采用LabVIEW虚拟仪器构建,并通过计算机自动完成测试和分析.实验结果表明,正常状态和故障状态下的电压信号没有明显的趋势,是一种平稳时间序列;有故障时,相关函数衰减比正常状态慢,但都不够明显;正常状态和故障状态下的特征根分布明显不同,故障状态下的系统可能处于某种稳定状态;正常状态的自回归(AR)功率谱比任何一种溢流阀常见故障的功率谱都低.

在混凝土公路路基施工过程中,为了控制施工进度,同时保证路基的稳定与适用,需要对路基沉降进行监测,并通过已有沉降数据推测后续沉降数值。本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络强大的记忆性,建立沉降预测模型。通过小波包对沉降数值序列进行分解,得到不同属性和频率的沉降序列,分别通过模糊神经网络对各个子序列进行预测,将子序列预测结果叠加得到预测结果。

提出一种利用时间序列双谱分析实现电磁换向阀的故障诊断的新方法。通过将实验采集到的换向阀正常工作和出现故障时的振动信号进行双谱分析,可以观察到振动信号双谱幅值图存在明显差异。由此可知,时间序列双谱分析可以诊断出换向阀的不同类型故障,是一种实现液压元件故障检测的有效方法。

随着智能化开采的不断发展,刮板输送机直线度控制对于煤矿安全、高效开采具有重要意义。针对刮板输送机的调直精度不高的问题,提出了一种基于空间运动学与长短时记忆神经网络轨迹预测相融合的调直方法。首先,利用工业机器人的空间运动学知识对液压支架和刮板输送机浮动连接机构的运动规律进行了解析,并以C#语言的形式编入Unity3D仿真系统底层,通过推移机构连接头捕捉刮板输送机中部槽上的关键点,实现液压支架与刮板输送机的连接,实现了液压支架的精准推移,较理想化地解决了销耳间隙的影响;其次,综合考虑到传感器噪声与截割底板轨迹对刮板输送机轨迹检测的影响,在仿真系统中进行相关的补偿后,在MATLAB中利用LSTM(Long Short Time Memory)神经网络对刮板输送机的轨迹进行预测;最后,根据实际工况要求建立了目标调直轨迹的修正模型和轨迹-姿态转...

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明:该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。

为解决金属手机外壳加工行业内的机床主轴轴向热误差问题,提出了一种基于时间序列算法的主轴轴向热误差建模方法,对一台钻攻中心建立了主轴轴向热误差实时补偿模型。实践结果表明：通过该模型实时补偿,机床的主轴轴向热误差由原来62μm补偿到7μm,加工工件尺寸控制在10μm左右。

针对机械设备故障诊断大多采用有监督学习提取故障特征，而有标签数据难以获取的现状，提出一种在稀疏自动编码器中嵌入卷积网络的深度神经网络。利用希尔伯特和傅里叶变换实现机械设备振动时间序列向Hilbert包络谱的转换，通过卷积网络中多组卷积核自动学习谱空间数据的不同特征，保证了特征提取的自动化、全面性和多样性，稀疏自动编码器搜索具有正交性数据特征的低维表示，并使得编码后的数据具有很强的聚类特性，实现设备的自动故障诊断。通过对滚动轴承振动信号进行分析实验，证明该方法在设备故障诊断中具有去标签化、自动化、鲁棒性等特点。

提出将小波分析和时间序列应用于空调负荷预测；利用小波分析可以将空调负荷序列通过小波分解一层一层分解到不同的频率通道上，分解后序列的平稳性比原始序列好得多。其小波分解后的序列用时间序列模型来预测，最后再合成得到原时间序列的预测值。预测结果表明，该模型应用于空调负荷预测具有较高的预测精度，而且明显优于传统的时间序列模型。

针对调速阀故障振动瞬态信号的非线性特征，将时间序列关联维和双谱应用于其故障诊断。通过采集调速阀正常和故障状态下的振动信号，计算了系统关联维并绘制AR双谱图。结果表明，该方法能全面反映系统状态。其即时软件具有设计简单和易执行性的特点，可应用于设备监测和故障诊断。

基于液压溢流阀体工况提出一种振动频率特性的故障诊断方法.利用溢流阀体振动信号的相关性、自回归模型的参数和功率谱特性获得故障的突变信息从而确认溢流阀的工作状态为液压系统故障的诊断提供判断依据.测试系统采用LabVIEW虚拟仪器构建并通过计算机自动完成测试和分析.实验结果表明正常状态和故障状态下的电压信号没有明显的趋势是一种平稳时间序列;有故障时相关函数衰减比正常状态慢但都不够明显;正常状态和故障状态下的特征根分布明显不同故障状态下的系统可能处于某种稳定状态;正常状态的自回归（AR）功率谱比任何一种溢流阀常见故障的功率谱都低.