针对液压机械驱动齿轮组故障诊断结果精准度不佳、可靠性差等问题,本文提出基于SVM的液压机械驱动齿轮组故障诊断研究。采集了液压机械驱动齿轮组振动信号,构建液压机械驱动齿轮组故障信号分离模型;运用低秩算法分离液压机械驱动齿轮箱振源信号,设计齿轮组故障信号约束条件,完成液压机械驱动齿轮组分类;根据分类结果,采用SDAE模型提取液压机械驱动齿轮组故障特征,并将提取结果输入到支持向量机内训练,其最终输出结果就是最佳诊断结果,实现基于SVM的液压机械驱动齿轮组故障诊断研究。实验结果表明,通过对该方法开展故障检测及故障诊断测试,本文方法下分类错误率不超过3.5%,验证了该方法的可行性高。

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。

齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要。针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型(Bounded Generalized Gaussian Mixture Model,BGGMM)进行无阈值递归图(Un-Thresholded Recurrence Plot,URP)特征提取的新方法,并将其应用于齿轮故障分类识别。首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs。然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量。利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类。

针对当前风机轴承故障诊断准确率较低、诊断难度较大、耗时较长等问题,提出改进的灰狼优化(Improved Grey Wolf Optimization,IGWO)算法与支持向量机(Support Vector Machine,SVM)故障诊断方法。为了能够精准地提取故障特征,采用时频域分析中的小波包分解法对故障振动信号进行特征提取,将小波包分解后的8个频带能量作为故障特征并构建特征向量;建立SVM故障模型并利用IGWO算法对SVM模型进行参数寻优,避免了灰狼优化(Grey Wolf Optimization,GWO)算法后期易陷入局部最优、收敛速度过慢等。实验结果表明,IGWO算法平均故障识别率高达99.3%,能够更加快速、高效、准确地识别故障的类型,为故障诊断的发展提供了良好的技术支撑。

本文针对这种现象说明了履带式推土机常规机型工作装置结构、原理和工作过程,在此基础上对工作装置液压系统的不同故障进行了分类,并综合运用维修理论与方法分析各类故障产生的原因,提出故障发生后的解决方法,最后针对推土机在日常使用过程中出现的常见故障提出预防故障产生的应对策略。

DX- 3型扫描电镜是中国科学院北京科仪厂生产的国内第一批扫描电镜，它的试制成功，在当时填补了国内空白，满足了国内许多科研及厂矿单位的急需。

履带式推土机部队国防施工和日常训练重要的土石方机械,随着工作时间的增长,装备会出现各种各样的故障。本文针对当前部队配发的履带式推土机转向系统常见故障现象,简要阐述了推土机液压转向系统基本构造知识基础,重点讲解了转向液压系统几个类型故障进行一个简单地分类,并从中结合维修诊断方法来系统分析与解释故障产生的内在原因,提出合理的解决方法。

液压泵长期处于高压、高速的运行工况下,泵体零部件极易发生故障。实际工况下测量的振动信号往往包含着许多无关信号成分如噪声,导致传统方法难以实现故障类型的准确识别。提出一种基于动模式分解(DMD)和t分布随机近邻嵌入(t-SNE)聚类的液压泵故障模式识别方法。在泵体布置传感器进行监测获得振动信号,首先利用DMD进行分解获得表征信号本质特征的模式分量,再利用t-SNE进行降维聚类,实现不同故障类型的准确识别。通过数值仿真和试验台故障数据分析,验证了提出方法的可行性及有效性。

以机械工程中液压动力系统为对象，通过大量理论研究与试验验证发现：电流信号中蕴藏着反映电机、液压泵以及机械装置运行状态的信息，而液压设备的许多故障信息是以调制的形式存在于所监测的电流信号中，利用Morlet进行解包络分析，提取包络分析的时域特征参数，将其组成故障特征向量，进行灰色关联度分析，从而把包络解调分析和灰色关联分析有机结合在一起，综合它们的优势，进行故障分类和识别，为液压设备的故障诊断提供一条新的思路。

针对SOM网络（自组织特征映射神经网络）可视化方法简单、直观的特点，文中将其应用到液压系统的故障分类中。以电流信号的频域能量作为特征参数，用db2共轭正交滤波器组对所获数据进行小波包分解，提取系统在正常及故障运行状态下的特征向量，作为训练样本，然后利用U矩阵图和D矩阵图等可视化T具对分类结果进行仿真与分析，并与一般结果进行比较。结论表明，该方法可行且对故障的判别率高。