针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法。首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型。为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比。在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征。相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好。

针对伺服电机驱动泵控非对称液压缸系统存在约束和鲁棒性差等问题,提出了采用状态估计的模型预测控制策略。根据泵控液压缸系统的原理和实际要求,建立了含输入和输出约束的状态空间模型;引入模型预测控制,避免了阀切换带来的非线性,提高了约束优化控制性能;结合卡尔曼滤波器,补偿了干扰和模型误差的影响,提高了系统的鲁棒性。仿真结果表明,所设计的控制策略能够实现无偏移跟踪,保证输入不超限、输出无超调,且具有很好的处理干扰和模型失配的能力。实验结果中,液压缸位置无超调,相对位置跟踪误差约为0.5%,干扰和模型误差对控制性能的影响很小。可见,所提方法能应用于实际泵控系统,提高输入、输出约束下的控制性能,容许一定的干扰和建模误差。

为了解决单向比例泵控非对称液压缸系统的无超调位置控制问题,提出了采用带约束的三阶状态空间模型描述单向比例泵控非对称液压缸系统的方法,设计了一种适用于该模型的模型预测控制器来保证系统的无超调位置输出.仿真结果表明,运用模型预测方法能够避免换向阀切换引入的系统非线性,并有效解决泵控非对称液压缸系统的超调问题,实现多约束条件下的高精度位置控制.

针对使用PID方法对阀控非对称液压缸位置控制中出现的超调问题,以及传统非线性模型预测控制优化求解计算时间较长的问题,提出了一种基于状态反馈线性化的阀控非对称缸模型预测控制方案。首先建立了阀控系统状态空间模型,运用微分几何理论讨论系统可反馈线性化的充要条件,并将非线性系统映射为新坐标空间内的线性系统模型;设计了反馈线性化模型预测控制器(Feedback Linearization Model Predictive Controller,FLMPC),讨论了线性系统下的约束问题,其中由于系统