为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutional neural networks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型。首先,采用连续小波变换(Continuous wavelet transform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题。其次,基于相关系数对变分模态分解(Variational mode decomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsic mode function,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入。最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果。实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨...

轴向柱塞泵压力脉动既是引起液压系统转速波动、振动噪声以及输出稳定性的重要原因,也是获取故障信息的主要信息源。液压系统具有强噪声干扰特性,导致监测信号信噪比低,因此很有必要深度挖掘压力信号携带的系统运行状态信息。本文首先通过柱塞泵流量损失机理,来分析流量脉动与压力脉动之间的映射关系。之后基于标准Gabor变换对压力信号进行滤波重构。最后根据压力信号时域波形形貌,提出4个特征指标来分析不同运行工况下的压力脉动特点。实验结果表明标准Gabor变换能够准确提取信号中的高次谐波及相位频率。其重构的轴向柱塞泵压力脉动时域波形形貌,蕴含着丰富的运行状态信息。通过分析各工况下脉动的变化特点,为液压泵、马达及关键元件的故障诊断和健康评估提供了新的理论依据和方法支持。

考虑到柱塞泵壳体的振动既包含运动状态信息也包含能量状态信息,提出采用柱塞泵壳体振动相轨迹图示化方法揭示柱塞泵振动信号与运行状态间的关系。首先,在分析柱塞泵流体振动传递路径,阐明高压流体激励与泵壳体振动速度、位移及振动能量之间的关系。其次,依据振动频率溯源结果,采用多重同步压缩变换方法(Multi-synchrosqueezing Transform,MSST)对柱塞泵壳体振动加速度信号进行重构,经积分变换后可进一步得到振动速度和位移信息。最后,利用振动速度和位移信息构建壳体振动相轨迹图,并通过实验揭示了不同工况下壳体振动相轨迹图中蕴含的柱塞泵动能、势能变化规律。结果表明,结合振动溯源,MSST能够准确提取壳体振动加速度信号中液压激励引起的振动频率和相位信息。柱塞泵运行工况对柱塞泵壳体动能及势能有显著影响。随系统压力增大,相轨迹与...

变转速泵控液压缸系统转速或负载大范围变动导致的液压系统参量非线性变化,可使基于线性模型设计的控制系统出现控制参数不合理、精度不稳定,甚至控制失稳等问题,本文通过分析典型变转速泵控液压缸系统的状态空间,提出了一种多模型自适应PID(Multi-model adaptive PID,MMA-PID)控制方法。该方法根据系统压力的改变引起的油液体积弹性模量的非线性变化,用多个线性子模型分别描述系统行为,并针对每个子模型,单独设计一个合理的控制器。控制过程中,通过卡尔曼滤波器分别估计各个子模型的输出权重系数,并将所有子模型控制输出加权融合作为系统最终的控制输入。仿真和实验结果表明,在工况大范围变化时,多模型自适应PID控制相较于传统的PID控制,能更好的适应系统参量的非线性变化,具有更好的控制效果和动态性能。

液压挖掘机的挖掘力是反映挖掘机工作状态的一个重要参数。基于挖掘机工作装置的力学分析,建立了反应连杆机构截面应力与铲斗挖掘力之间关系的数学模型,并提出了一种新的挖掘力测量方法。通过有限元模拟分析,得到了连杆机构截面应力在不同挖掘力的仿真结果,与理论计算的误差约为8%。仿真结果验证了该测量方法的可行性。

针对起落架作动筒磨合与寿命实验台阀控缸力加载系统瞬态和动态加载精度较低,不能满足载荷谱精度要求从而影响作动筒安全性与可靠性判断的问题,从控制算法出发,提出一种具有更高精度及抗干扰能力的改进非线性自抗扰控制算法(Improved nonlinear active disturbance rejection control,INADRC)。首先,建立电液伺服力加载系统AMESim/Simulink联合仿真模型。其次,设计INADRC控制器并使用遗传粒子群算法对其参数寻优。最后,通过对3种目标跟踪信号仿真和实验来验证控制器性能。仿真及实验结果表明,改进非线性自抗扰控制相比于PID控制、非线性自抗扰控制和其他改进非线性自抗扰控制,平均精度分别提升了4.15%,1.15%和0.65%,体现出伺服力瞬态和动态加载精度高、抗干扰能力强的特点。