分析了运输线转台经常出现故障的原因,根据转台液压系统的工作原理,梳理存在的问题,通过局部改造,增加减压阀进行稳压,溢流阀进行超限控制,并调整比例阀控制参数,实现转台液压系统控制稳定,减少了转台故障,提高了转台运行效率,实现了运输线效率的大幅提升。

针对油田出现的多种介质同时加热等特殊工况,研究出一种单、双燃烧系统真空加热炉,详细介绍了其原理及机构,该设备在实际应用中效果比较理想。

柱塞泵是液压系统的关键部件，对其运行过程中的负荷状态进行监测和识别非常重要。由于在柱塞泵运行过程中，受振动机理复杂，环境干扰等因素的影响，柱塞泵的负荷状态识别比较困难。根据柱塞泵负荷状态发生改变时，振动信号能量会重新分布的特点，通过Hilbert变换对信号进行解调，根据包络谱上供油频率及其倍频处的峰值构造特征向量，最后，采用SVM对柱塞泵负荷状态进行识别，并与BP神经网络方法进行对比。试验结果表明，基于包络谱构造的特征向量能够有效反映柱塞泵的负荷状态，采用SVM对柱塞泵负荷状态进行识别能够获得比较好的结果。

针对经验模态分解（EMD）方法、数学形态法和经验模态分解（MM-EMD）方法在处理液压缸油压波动信号时产生模态混叠的缺点,提出了一种基于奇异值分解（SVD）的液压缸动态特性分析的新方法。首先,在相空间对周期性冲击力作用下的液压缸油压波动信号进行重构,得到合适的特征矩阵;然后将特征矩阵进行奇异值分解,获得奇异值序列和多个可线性叠加的分量信号;最后,根据奇异值分布规律、分量信号特点和油压波动模型,将分量信号进行分类和重组,提取能够反映液压缸动态性能的自由振动分量。试验结果表明,基于奇异值分解的液压缸动态特性分析新方法提取的自由振动分量,能够避免模态混叠,保留了更多的信号细节,为评价液压缸动态性能提供可靠的依据。

为解决液压泵故障信号特征难以提取的问题,提出了一种基于判别稀疏编码的液压泵故障诊断新方法。在稀疏编码框架中引入Fisher判别准则,通过对训练样本进行字典学习,获取具有判别性的字典与稀疏系数,使用不同故障类别字典对测试样本进行稀疏表示,利用全局分类方法综合重构误差与系数偏差两方面参数,对液压泵故障信号进行识别。实验结果表明,对于不同状态下的液压泵振动信号,该方法可自适应地完成各类子字典的学习与模式识别过程,与传统方法相比,在液压泵故障诊断中具有更高的准确率和较好的稳定性。

依照节能降耗的要求，根据实际消耗调节油气润滑系统的供油量。

在许多大型设备以及冶金系统都采用液压传动方式因此液压传动的稳定性在系统中尤其重要本文就针对液压传动系统的故障排除和预防做了进一步的探讨。