在液压破碎机等工程机械设备上,以前的研究仅集中在提高最大输出功率方面,随着提高能源效率成为发展重点,为了有效利用能源,就需要对其进行精确的能耗测量。使用开发的可测量发动机传递到液压泵的驱动能耗的扭矩计,可实时测量工程机械的液压泵的驱动能耗,并分析作工周期的能耗。研究可提高包括破碎机在内的工程机械中液压泵的燃油效率和性能。

液压泵健康状态评估对工程设备的运行状态监测有极其重要的意义,现有基于振动信号分析的方法数据来源单一、可靠性低,为此,提出了一种基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估方法。通过试验系统采集了不同工作时间下液压泵的压力、温度、流量等信号,分别提取信号的时域特征组成初步特征。使用多个分类器获取初步特征的类别概率向量,将其与随机森林模型选出来的重要特征进行拼接形成最终特征,并使用多粒度级联森林模型进行健康状态评估。试验结果表明,所提方法在仅有5%训练比例的情况下分类精确率仍可达99.5%,可以有效提高液压泵健康状态评估的准确度。

由于液压泵故障识别难度大,并且检测到的液压泵故障振动信号中包含噪声等无关干扰信息,为此,提出了一种基于变模式提取和去趋势波动分析的方法,用于对液压泵故障进行识别和诊断。首先,通过变分模式提取方式,对采集到的液压泵振动信号进行了分解,得到了一系列固有模态函数分量;然后,通过去趋势波动分析方法,得到了不同模式分量的标度指数;利用标度指数的幅值阈值区分有用信号和噪声信号,并对含噪的模式分量进行了小波降噪,以最大程度地保留其中的有效信息;最后,将降噪处理后的模式分量和不含噪的模式分量进行了重构,并对重构信号进行了多统计学特征计算和局部保留投影降维。研究结果表明:变模式提取对信号进行分解后的结果,与原始不含噪信号的均方根误差仅为0.3251,该结果可为后续基于局部保留投影的液压泵不同故障类型的准确聚类...

针对液压信号高度复杂且难以识别的特点,提出了一种基于堆栈稀疏自编码器(SSAE)与Softmax的深度神经网络(DNN)来对液压泵泄漏状态信号的特征进行优化与识别。对液压泵的压力与流量信号进行5层小波分解,计算5个高频系数与一个低频系数的样本熵值作为小波特征;融合信号的小波特征与时域特征作为低阶特征,输入构建的深度神经网络进行特征优化,学习输出高阶特征,并使用连接的Softmax层完成识别任务。实验结果表明,基于堆栈稀疏自编码器与Softmax构建的深度神经网络能够学习到液压信号的高阶特征,有效完成液压泵不同泄漏状态的识别,识别精度达到99.3%。此外与随机森林与支持向量机相比,该深度神经网络具有更好的识别精度。

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散嫡(FVDE)。相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果。液压泵故障诊断实例表明,FVDE对故障状态的区分度更加明显,极限学习机(ELM)的诊断精度也更高,具有一定的优势。

从再制造角度出发,研究面向工程机械液压泵再制造的拆解序列规划。在研究中,以K3V系列斜盘式轴向柱塞泵为例,构建工程机械液压泵二维和三维拆解模型,利用空间约束矩阵、接触矩阵、自由度约束矩阵对拆解模型进行分析,进而得到切实可行的拆解序列。

本文叙述了ＡＡ１０ＶＯ液压泵的结构特点，控制方式及研制过程，并分析了恒压恒流量控制方式的工作原理。

在液压泵性能测试过程中保证液压泵转速稳定是准确获取泵性能参数的关键由于泵驱动机构的复杂性及 泵加载过程的非线性与不确定因素的影响要保证转速的恒定在控制实现上一直是难题。针对泵转速恒定的问题结合工程实践经验就相关技术问题进行了探讨 认为驱动部分采用变频调速技术控制策略采用改进转差频率速度矢量控制即在控制信号中增加负载角的变化律可实现泵的速度恒定调节和无级变速。试验结果 显示:转速模拟系统具有较好的鲁棒性和快速性性能达到了设计要求证明方案是可行和有效的。

为实现系统的智能控制，对液压件厂现有的液压泵性能试验台进行了全面的改进，基于机、电、液一体化计算机智能控制的思想，设计一套液压泵性能试验台，以适合对低、中、高压液压泵进行快速、准确、可靠的性能测试。该试验台的驱动系统采用交流变频调速技术，加载部分采用先进的步进式数字溢流阀进行加载，整个系统具有计算机集成化程度高、控制精度高等优点。

介绍通用组态软件组态王的功用，并根据液压泵试验的测试特点和具体要求，设计一种适用于液压泵性能参数测试的计算机系统。在Windows2000操作系统下用组态王编写控制界面，利用MATLAB实现性能曲线的绘制。通过该软件能够生成用户所需的各种报表、曲线。