针对舰船航行过程中液压泵机组运行环境复杂、泵壳体振动信号易受周围激振源影响的问题,提出一种基于泵出口脉动压力信号的液压泵故障诊断方法。首先,对泵出口脉动压力信号进行小波包分解,滤除背景辐射噪声干扰,提取出包含故障信息的特征频段,进行时域特征分析;然后,利用BP神经网络建立分类器,以泵脉动压力信号时域参数作为输入、泵运行状态作为输出,实现了液压泵磨损故障的自动诊断。实验结果表明:该方法能有效识别液压泵不同运行状态下的内部故障信息,并对故障程度作出评估。

针对现在的数字记录仪主要嵌入的是频域分析软件,而对于时域的特征点重视不够的缺点,着重分析了在时域内寻找这些特征点的方法.为了有效滤去信号中含有的噪声并便于寻找特征点,采取了分段数据拟合的方法.实验结果证明了文章方法的有效性.

针对隔膜泵单向阀故障机理分析不足的问题,提出了一种基于多时域特征与SVM的单向阀故障诊断方法。信号的时域特征是最早应用且最为简洁实用的特征参数,对单向阀的时域振动信号进行简要分析,并介绍几种信号时域指标与特征,根据单向阀振动信号的特点选取出三种时域指标与特征作为故障诊断的特征值;将特征值构成训练集输入到SVM分类器训练诊断模型;用测试样本进行故障诊断实验。实验证明,本文中提出的方法对高压隔膜泵单向阀的故障诊断准确率为98%,具有所需样本信号长度较短的优点。

主成分分析(PCA)法在特征融合过程中未考虑特征之间特性对分类识别的影响,导致降维后特征无法正常有效分离,因此提出预筛选PCA方法以提取信号的时域特征、频域特征。利用相关系数法可有效区分对象之间的相互关系,先去掉不利于分类的特征,然后对新得到的矩阵进行PCA降维,把时域特征及频域多特征转化为综合性的评价指标,以获得更好的分类效果。结果表明:该方法的特征分离效果更好。研究结果有利于提高PCA分类识别准确率。