分析了液压传动系统故障智能化诊断方法的发展和特点,提出了组合智能诊断和多学科技术相结合的未来液压系统故障诊断技术发展趋势。

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络AlexNet基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号。相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断。通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维LeNet5模型和经典AlexNet模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性。

科学技术的不断发展，使得液压设备快速发展成为自动化，同时对液压系统的可靠性提出了更高的要求。现代液压设备的液压故障需要得到及时的解决，液压系统故障诊断技术由此得以形成，在这种背景下，液压系统故障诊断技术也得到了更高的发展。液压系统故障诊断技术基于液压控制理论和信息理论，综合利用电子技术、传感器技术及人工智能技术等等。

介绍了液压系统故障的特点、液压系统故障智能诊断技术的发展历史和研究现状;提出了液压系统故障智能诊断领域目前和将来的研究方向.

分析了液压传动系统故障智能化诊断方法的发展和特点,提出了组合智能诊断和多学科技术相结合的未来液压系统故障诊断技术发展趋势。