针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明:与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明:所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。

为检测防反转装置的可靠性,对螺杆泵反转机理进行研究,分析了反转扭矩的组成以及释放过程,并根据释放过程设计出液压系统对其进行模拟,运用AMESim软件对液压系统进行模型搭建并仿真,仿真结果表明,该装置能够模拟螺杆泵反转的实际过程,有助于防反转装置的可靠性测试。