应用ITD分形模糊熵的自动机早期故障诊断

通过以某口径高射机枪自动机为研究对象,提出一种运用固有时间尺度分解(ITD)分形模糊熵与RBF神经网络进行故障诊断的方法。由于自动机振动信号短时、非平稳、高冲击的特性,将ITD引入自动机的故障诊断中,通过对ITD分解得到不同频段的合理旋转(proper rotation简称PR)分量,然后分别提取分形维数和模糊熵组成组合特征向量。由于RBF神经网络结构简单、收敛速度快具有很高的分类准确率,所以采用RBF神经网络分类识别。最后得到理想识别效果的同时验证了ITD分形模糊熵与RBF的自动机早期故障诊断方法的优越性。

综采面支架液压系统的压力损失研究

综采面支架液压系统的压力损失主要由支架主供液系统的压力损失和支架液压系统的压力损失组成。分析了支架主供液系统和支架液压系统,确定了各项参数,对两部分的压力损失进行理论与AMESim仿真分析,得出综采面支架液压系统的压力损失主要在关键阀上,减小关键阀压力损失对减小支架液压系统的压力损失有事半功倍的效果。

应用VMD和多参数融合的齿轮箱故障诊断

由于齿轮箱故障信号的非线性,以及各种噪声的影响导致故障特征难以确定,为了准确、高效地分析齿轮箱故障信号,提出了一种应用变分模态分解(VMD)和多参数融合的齿轮箱故障诊断方法。首先对齿轮箱故障信号进行变分模态分解,并与传统的经验模态分解(EMD)进行对比;同时提取各模态分量的能量百分比和信息熵作为特征值,并采用RBF神经网络进行故障诊断。实验结果表明变分模态分解能够有效避免模态混叠现象的发生,以VMD为基础的多参数融合方法能够准确、快速地实现齿轮箱的故障诊断。

应用多参数融合与ELM的自动机故障诊断

考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法。首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中(ELM)进行分类。实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果。

变分模态分解在自动机故障诊断中的应用

由于自动机工作环境复杂、各种响应信号相互叠加,为准确、高效地提取自动机信号的故障特征,提出一种应用变分模态分解(VMD)和极限学习机(ELM)的自动机故障诊断方法。首先对自动机信号进行变分模态分解,并与经验模态分解(EMD)结果进行对比;同时提取各模态分量的能量百分比和各工况下不同样本的样本熵作为特征值;将提取到的特征值输入到极限学习机中进行故障诊断,再与传统的双谱分析诊断结果进行比较。最终VMD方法实现信号频域内各分量的自适应剖分,并得出ELM的故障诊断准确率为87.5%。实验结果表明:变分模态分解能够有效避免模态混叠现象,同时验证所提方法的可行性与有效性。

大采高液压支架主供回液管路压损研究

液压支架主供回液管路的压损一般采用沿程压损和局部压损公式计算,但公式中阻尼系数多用经验值估算,精度有待商榷。对大采高液压支架主供回液管路压损进行了研究,分别建立了大采高液压支架软管与直通接头压力损失理论模型和AMESim仿真模型,搭建了大流量长管路压力损失试验系统,结果表明,软管长10m和1个直通接头在管内流速2.6m/s、5.1m/s和7.6m/s时,理论、仿真和试验之间的最大误差分别为9%、8%和2%,考虑温度对乳化液粘度的影响,理论与试验压损误差分别为5%、6.6%和1.7%。所得理论、仿真结果与试验结果较吻合,改进了计算液压支架接头压损的算法,这对于大采高液压支架主供回液管路设计与压损计算提供了参考数据。

液压支架上升回路的AMEsim建模和仿真

介绍了液压支架液压系统回路工作原理,以ZY12000/28/64型号为基础建立主要仿真参数,在AMESim环境下对液压支架上升工况的立柱和平衡缸液压回路进行建模和仿真,并对结果进行分析。仿真结果表明了所建模型的正确性和有效性,能正确反映液压支架上升工况的动态特性。

基于AMESim的液压支架降柱动态特性建模仿真

简述了液压支架的机械结构和降柱回路工作原理,对降柱速度进行静态计算,利用AMESim建立仿真模型并对降柱工作过程进行动态模拟。通过降柱速度静态计算和动态特性仿真结果对比,证明仿真模型建立的正确性,并分析了静态计算与仿真结果存在差异性的原因。

基于MRSVD与灰色理论的供输弹系统故障诊断研究

针对采集的供输弹系统测试信号成分复杂、故障难以识别问题,提出一种基于多分辨奇异值分解(MRSVD)与灰色理论的供输弹故障诊断方法.首先使用双树复小波的信号降噪方法进行信号预处理,使用MRSVD方法提取微弱故障特征,在不同层面将信号的特征信息表征出来;然后提取各分量的能量,归一化后作为特征值;最后将灰色理论引入到供输弹系统故障诊断中,经过灰色关联度分析,进行故障诊断.实验结果表明:该方法诊断结果准确率达86.7%,可有效进行故障识别.

基于MRSVD和信息融合的供输弹系统早期故障预示

对于供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别问题,提出基于多分辨奇异值分解能量特征和多场信息融合的供输弹系统早期故障识别方法。首先采集不同状态下供输弹系统的振动信号通过进行MRSVD分解,得到1个相似信号和8个细节信号,提取这些分量信号的能量特征并进行归一化处理,得其能量相对值;然后使用灰色关联分析对所提取的能量特征进行故障识别;为了提高故障识别准确率,将振动信号和声压信号用D-S证据理论进行融合识别。实验结果表明,MRSVD能量特征提取方法能有效提取供输弹系统早期故障特征,且经多场信息融合后可提高故障识别准确率。

管路体积模量对液压支架立柱缸动态特性的影响

大采高液压支架的供液管路的工作压力为23～32. 5 MPa,通流直径为38～60 mm,管路长度约1000～1500 m,管路体积模量使供液管路具有压力明显、流量响应滞后现象,导致液压支架系统速度、位移动态响应差。以液压支架大通径高压供液管路为试验对象,当压力为5～25 MPa时,管路体积模量值1300MPa,依据公式得到胶管体积模量约为恒定值2700 MPa,与乳化液体积模量接近。建立了AMESim管路模型和液压支架系统模型。仿真结果表明,供液管路体积模量越小,立柱位移、速度和压力响应越慢;当管路体积模量为1300 MPa时,立柱位移、速度和压力响应时间分别为0. 1 s,0. 2 s,0. 05 s,立柱缸响应滞后较明显。

基于ITD样本熵与PNN的自动机故障诊断

针对自动机振动信号短时、非平稳、高冲击的特性,本文提出一种运用固有时间尺度分解(ITD)样本熵和概率神经网络(PNN)进行故障诊断的方法。首先将ITD引入自动机的故障诊断中,通过对ITD分解得到前五层重构信号提取的时频特征来验证ITD方法的有效性,并对信号进行样本熵提取,把其作为特征向量分别用概率神经网络和BP神经网络对自动机进行故障模式识别。实验结果表明:概率神经网络相对于BP神经网络可以提高故障分类的正确率,从而验证了ITD样本熵与PNN的自动机故障诊断方法的优越性。

基于时频特性和PCA-RBF的自动机故障诊断

针对自动机故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,本文提出了一种基于时频特性和PCA-RBF的自动机故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理过的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障类型的识别。实验结果表明,混合域初始特征向量能够准确全面地描述故障特征,经过PCA处理的主特征向量大大简化了分类器结构,RBF神经网络结构简单、收敛速度快、具有很高的分类准确率。

基于MRSVD与Elman神经网络的供输弹系统早期故障识别

对于供输弹系统早期故障信息易湮没在强噪声中,潜在故障特征难以提取的问题,提出1种基于MRSVD与Elman神经网络的早期故障识别方法。供输弹系统振动信号经过预处理后采用双树复小波进行降噪,之后利用多分辨奇异值分解对降噪信号有效分解为若干分量,提取各分量的能量,归一化后将其作为特征值,运用Elman神经网络对供输弹系统早期故障有效识别。结果表明,该方法能有效识别供输弹系统早期故障,识别率为94.44%,证明该方法对自动供输弹系统早期故障识别的有效性。