小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明:与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明:所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。

多通道振动信息融合的柱塞泵异常检测方法

目前柱塞泵的故障诊断普遍采用监督式机器学习,但实际工程应用中难以收集到大量带有标签的故障训练集。提出一种无监督式机器学习的柱塞泵异常检测方法,在训练阶段仅需要柱塞泵健康状态下的振动数据。同时,为了提升在不同工况下柱塞泵的异常检测性能,对柱塞泵壳体上多个方向的振动信号进行融合,将其时频图合成为RGB图像。通过变分自编码器重建图像,根据输入输出图像的差异度确定柱塞泵异常检测的阈值。通过故障模拟试验台所采集的柱塞泵典型故障振动信号进行实验,结果表明,相比于普通自编码器,变分自编码器和多通道振动信号融合能够提升不同工况下柱塞泵的异常检测性能。

基于平衡系数的滑靴优化模型

为了解决轴向柱塞泵或马达的滑靴在工作中磨损严重的问题,提出基于平衡系数的滑靴优化模型.通过在力平衡方程中引入平衡系数,研究滑靴的动压效应、挤压效应以及热楔效应对滑靴受力的影响.通过在流量连续性方程中引入流量修正系数,研究滑靴阻尼孔的层流初始段效应、进口收缩与扩大引起的局部阻力损失对滑靴泄漏量的影响.该模型可以给出滑靴平衡系数和流量修正系数的数学表达式.在实际优化过程中,通过程序计算得出滑靴的平衡系数,校核并优化滑靴的主要尺寸.通过实验验证滑靴优化模型的正确性,结果表明:该模型可以解决滑靴磨损严重的问题,马达的温升降低14℃,总效率提高4.6%.

采用参数化解调的变转速下柱塞泵故障诊断方法

针对柱塞泵在变转速工况下运行时,存在因时变信号特征提取不易和噪声抑制困难导致的故障诊断准确度低的问题,提出一种以参数化解调为基础的柱塞泵空化故障诊断方法。首先,采用粒子群算法对泵出口时变压力信号重点分量的相位参数进行估计,再根据估计得的参数将信号解调至平稳化并滤波,接着对滤波后的信号进行反解调来获取单一信号分量;然后迭代执行参数化解调的上述步骤以提取所有重点分量并实现信号重构;最后对重构信号进行切片来构建数据集,再将数据集输入一维卷积-长短期记忆神经网络(1DCNN-LSTM)中提取局域特征并学习长期时序信息,从而实现准确地识别柱塞泵空化等级。流体仿真实验验证了参数化解调在信号分量提取上的有效性。使用实测信号进行空化故障诊断实验,结果表明:相比未经参数化解调的诊断方法,该方法的空化等级识别准确率提高了6.5%,达到95.4%,且具有更好的泛化性能;在信噪比为0 dB的强噪声环境下,准确率维持在90%以上。

变分模态分解与极限梯度提升树融合的高速轴向柱塞泵空化等级识别

针对高速轴向柱塞泵在不同空化程度下故障特征不明显导致识别准确率低的问题,提出了一种变分模态分解和极限梯度提升树融合的识别方法。在不同空化等级下进行高速轴向柱塞泵空化试验,采集壳体的振动加速度信号,对信号采用变分模态分解方法并从中提取故障特征以构造特征数据集,最后利用极限梯度提升树进行空化等级的识别。为证明所提方法的抗噪性能,在测试集中加入了随机高斯白噪声。结果表明,加入不同信噪比的噪声后,该识别模型仍能准确地识别出高速轴向柱塞泵的空化等级。

EHA轴向柱塞泵高速化若干关键技术研究

轴向柱塞泵是航空航天领域电静液作动器(EHA)中设计难度最大的液压元件,高速小型化是实现EHA柱塞泵高功率密度的有效手段,但柱塞泵高速化面临着关键摩擦副失效、核心旋转组件失稳、柱塞腔内油液空化三大技术挑战。本文在973计划项目"大型飞机电液动力控制与作动系统新体系基础研究"资助下,围绕EHA柱塞泵高速化关键技术开展了试验、理论与仿真研究。

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。

基于LSTM和CNN的高速柱塞泵故障诊断

针对高速轴向柱塞泵容易发生空化,且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题,提出了一种基于长短时记忆(LSTM)和一维卷积神经网络(1D-CNN)相结合的空化故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明:提出的方法能够准确地识别出4类不同的空化等级,准确率高达99.5%,同时在不附加降噪方法的情况下,具有良好的鲁棒性,在0dB信噪比的情况下,识别准确率高达87.3%。

EHA轴向柱塞泵高速化若干关键技术研究

轴向柱塞泵是航空航天领域电静液作动器(EHA)中设计难度最大的液压元件,高速小型化是实现EHA柱塞泵高功率密度的有效手段,但柱塞泵高速化面临着关键摩擦副失效、核心旋转组件失稳、柱塞腔内油液空化三大技术挑战。在"973计划"项目"大型飞机电液动力控制与作动系统新体系基础研究"资助下,围绕EHA柱塞泵高速化关键技术开展了试验。