提出了一种基于经验模态分解和深度森林的方法,用于分析液压泵出口压力,从而进行健康状态评估。通过试验系统采集了不同工作时间下液压泵的出口压力信号,利用经验模态分解的方法对其进行分解,分别得到一组本征模态函数,提取其特征;结合原始信号典型时域特征,最终构成信号的特征向量。采用深度森林的方法进行不同健康状态的分类。实验结果表明,所提方法的分类结果准确率可达97%,采用经验模态分解和深度森林结合的方法可以有效提高液压泵健康状态评估的准确率。

电液伺服泵控系统具备功重比高、响应快等优点,在多领域得到广泛应用,但如何针对该系统开展更有效健康评估,进一步保障系统的安全性和可靠性成为必须面对的问题。按照明确原理、建立数学模型、建立仿真模型、仿真分析的思路针对健康评估方法开展研究,提出油液体积含气量、气隙磁密、泄漏系数3个健康评估指标并确定阈值,构建了LGA(LSTM-GRNN-ANN)深度神经网络健康评估方法并进行仿真分析,结果显示该方法准确率约为97.48%,比LSTM、GRNN健康评估方法具有更高的准确率,为继续深入开展电液伺服泵控系统健康评估的研究提供了理论支持。

对设备运行状态进行实时监测是保证石化企业设备安全运行和提高生产管理水平的重要途径。基于重整装置4台压缩机干气密封运行数据,搭建了干气密封健康状态在线监测系统。通过对28路参数(压力、流量、温度、振动、液位、转速)进行实时监测分析,初步实现了对干气密封的运行故障预警、失效原因分析、健康状况评估、剩余使用寿命预测及预知性维修指导。

液压泵健康状态评估对工程设备的运行状态监测有极其重要的意义,现有基于振动信号分析的方法数据来源单一、可靠性低,为此,提出了一种基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估方法。通过试验系统采集了不同工作时间下液压泵的压力、温度、流量等信号,分别提取信号的时域特征组成初步特征。使用多个分类器获取初步特征的类别概率向量,将其与随机森林模型选出来的重要特征进行拼接形成最终特征,并使用多粒度级联森林模型进行健康状态评估。试验结果表明,所提方法在仅有5%训练比例的情况下分类精确率仍可达99.5%,可以有效提高液压泵健康状态评估的准确度。

为满足数字孪生峡江水利枢纽工程建设需要,实现泄水闸弧形钢闸门安全监测和健康诊断,在分析现有水工钢闸门监测技术现状及新阶段水利高质量发展对钢闸门监测技术需求的基础上,利用现代传感、在线仿真等技术和健康评估模型,设计一套弧形钢闸门在线监测及健康评估系统。系统依托信息化基础设施构建数字孪生平台,实现钢闸门结构应力、振动、运行姿态、支铰轴状态,以及液压启闭机振动、液压油渗漏和清洁度等参数的在线监测,通过健康评估模型实现钢闸门和液压启闭机的健康评估,通过在线仿真系统实现对不同工况下弧形钢闸门受力和变形的模拟。实际应用表明:健康评估系统可实现峡江水利枢纽工程泄水闸弧形钢闸门的全方位在线监测、运行状态展示及设备健康状态的实时评估,提升工程的数字化运维水平。

针对钻机实际故障数据获取较难和性能退化的非线性等问题,提出一种基于RBF神经网络的钻机回转液压系统健康状态评估方法。使用AMEsim软件搭建回转液压系统仿真模型,模拟了液压泵内泄露和液压马达内泄露,采集了样本数据并提取特征量,通过主成分分析法(PCA)对特征量进行降维处理,使用K均值算法(K⁃means)和粒子群优化算法(PSO)优化RBF神经网络参数,通过训练建立RBF神经网络健康评估模型,输入PCA处理后的数据,评估模型自动输出评估结果,实现了钻机回转液压系统健康状态的智能评估。结果表明,该方法具有较高准确性和可靠性,可用于钻机回转液压系统的健康评估,并为进一步开展钻机液压系统智能故障诊断和健康评估奠定了研究基础。

机械密封端面膜厚状态是表征机械密封健康状况的重要参数,通过评估密封膜厚状态可以有效的延长机械密封的使用寿命,降低机械工作过程中的故障率。为了评估流体动压型机械密封开启过程的健康状态,该研究通过在实验平台上利用声发射和电涡流传感器对其信号进行实时监测并采集信号。将实验采集的信号进行处理,利用KPCA方法降维优化抽取的特征参数,采用DHMM算法建立模型进行训练并测试。结果表明,DHMM模型能够对机械密封的健康状态进行有效的评估。

针对现有轴承健康评估方法在空间机构轴系上应用难度大的问题,提出了一种基于模糊C-均值聚类的空间机构轴系健康评估方法.首先,定义了新特征参数-特征谱线明显度;其次,提取了优良、故障两类典型轴系及待评估轴系振动实测信号峭度和包络频谱特征谱线明显度;然后,以峭度和特征谱线明显度两种特征参数为输入,通过模糊C-均值聚类模型获得了各待评估轴系对优良轴系类的隶属度;最后,根据隶属度计算轴系健康指数.应用实例表明,该方法既可对轴系健康状态正确排序,又可在高转速下给出可靠的健康指数,验证了该方法的可行性和有效性.

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。

针对齿轮泵的健康状态评估，提出了基于AHP的液压泵模糊状态评估方法。在层次分析法（AHP）中引入模糊理论，解决了AHP在液压系统健康状态评估中应用的局限，同时AHP方法的应用也解决了模糊综合评判模型中权值确定的问题。将该方法应用在试验中，取得了很好的效果。