针对轴向柱塞泵中心弹簧失效故障难以有效评估的问题,提出一种基于梅尔频率倒谱系数(MFCC)和深度信念神经网络(DBN)的液压泵劣化程度评估方法。对现场采集的正常数据和3种不同程度中心弹簧失效故障的液压泵振动信号进行信号预处理,包括预加重、分帧和加窗等;对预处理后的信号进行快速傅里叶变换(FFT),得到其频率谱和功率谱,然后让其通过Mel滤波器组,得到信号的对数能量;最后对对数能量进行离散余弦变换,得到信号的倒谱系数和一阶差分系数,并以此构成特征向量。基于DBN方法搭建深度学习模型,对特征向量进行学习,将测试样本导入深度学习模型,对中心弹簧失效程度进行评估,并将倒谱系数和一阶差分系数的识别结果进行对比。结果表明当选择倒谱系数为特征向量时,具有较高的识别精度,能够有效识别轴向柱塞泵中心弹簧的性能劣化程度。

为了评估液压系统的工作状态,提出了基于Stribeck摩擦模型的劣化程度评估方法。通过机理解析建立液压缸动力学模型,将实际系统可测量位移数据以及利用位移信号差分处理得到速度信号和加速度信号作为系统输入,其他测量数据和已知参数组成系统输出,设计双时间尺度最小二乘法辨识未知参数。将辨识的摩擦系数用于刻画Stribeck曲线,通过比较不同时间段的Stribeck曲线建立劣化指标,并分析相应缸体劣化程度。通过数值仿真验证理论的合理性和有效性。