为提高千斤顶液压系统故障检测的准确率,提出基于多源数据融合的千斤顶液压系统故障检测方法,并结合长短期记忆网络,提升多源数据融合技术的检测性能。试验结果表明当迭代次数为600次时,改进多源数据融合故障检测模型就可以得到较好的故障检测效果;故障越严重,检测精度越高,马达漏油故障的检测精度高达99.4%;在4种算法中,改进多源数据融合模型的故障检测准确率最高,在训练集上为98.72%,在测试集上为98.54%。

预测齿轮泵泄漏量的变化趋势有助于定量分析其性能退化过程。变分模态分解(Variational Modal Decomposition, VMD)方法对齿轮泵原始泄漏量数据进行变分模态分解,得到本征模态函数IMF,提出一种结合麻雀优化算法(Sparrow Search Algorithm, SSA)和长短期记忆神经网络(Long-Short Term Memory, LSTM)的模型,建立VMD-SSA-LSTM模型预测齿轮泵泄漏量的变化情况,并对每一个分量进行单独预测,最后将预测结果进行叠加,获得完整的预测结果。通过对比不同时间段预测结果可知,VMD-SSA-LSTM模型较单一的LSTM模型预测结果的平均相对误差最高可减小25.2%,能够完成对泄漏量的有效预测。研究结论可为齿轮泵性能衰退的定量预测提供理论支持。

针对柱塞泵在变转速工况下运行时,存在因时变信号特征提取不易和噪声抑制困难导致的故障诊断准确度低的问题,提出一种以参数化解调为基础的柱塞泵空化故障诊断方法。首先,采用粒子群算法对泵出口时变压力信号重点分量的相位参数进行估计,再根据估计得的参数将信号解调至平稳化并滤波,接着对滤波后的信号进行反解调来获取单一信号分量;然后迭代执行参数化解调的上述步骤以提取所有重点分量并实现信号重构;最后对重构信号进行切片来构建数据集,再将数据集输入一维卷积-长短期记忆神经网络(1DCNN-LSTM)中提取局域特征并学习长期时序信息,从而实现准确地识别柱塞泵空化等级。流体仿真实验验证了参数化解调在信号分量提取上的有效性。使用实测信号进行空化故障诊断实验,结果表明:相比未经参数化解调的诊断方法,该方法的空化等级识别准...

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均⁃长短期记忆(autoregressive integrated moving average⁃long short⁃term memory,简称ARIMA⁃LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA⁃LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液...

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。

发动机剩余寿命(RUL)预测时,进行数据特征提取易导致预测效率低下。为解决此问题,提出一种改进的长短期记忆(LSTM)算法模型。通过引入深度稀疏自动编码器(SDAE)完成时序数据的处理与特征提取,优化LSTM模型,改善航空发动机RUL预测效果。利用SDAE进行特征提取,构建健康因子(HI)曲线;同时考虑运行工况、故障模式和传感器3个因素,并分别训练其权重。利用LSTM模型进行发动机剩余寿命预测。利用涡扇发动机退化过程数据集C-MAPSS开展实验,并与DNN、BiLSTM、单层L