基于PCA和BP网络的液压油缸内泄漏故障诊断

针对液压油缸内泄漏故障诊断时,由于提取的时域参数过多,导致诊断速度慢、实时性差等问题,提出基于主成分分析(PCA)和BP神经网络的诊断方法。该诊断方法是:首先提取压力信号的时域参数作为初始特征,然后利用PCA方法将高维初始特征空间压缩到低维最终特征空间,并将得到的最终特征输入到BP神经网络进行故障模式识别。研究结果表明:该诊断方法在满足故障检测识别率的同时提高了诊断速度,为液压油缸内泄漏的故障诊断提供了一种实用方法。

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析(Principal Component Analysis,PCA)和改进的Levenberg-Marguard(LM)神经网络的诊断方法.首先采用LU分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA-BP算法进行仿真对比研究.研究结果表明:基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法.

能谱熵向量法及改进LM神经网络在液压油缸内泄漏故障诊断中的应用

针对基于时域组合特征的故障诊断方法的不足,提出一种基于小波包能谱熵分析的液压油缸内泄漏故障诊断方法。分析无杆腔压力信号的时域特征,采用小波包变换提取压力信号的能谱熵并输入到改进LM神经网络进行内泄漏的故障诊断。实验结果表明,无泄漏压力信号的能谱熵向量各元素分布较均匀;而泄漏信号的能谱熵向量各元素差异较大;改进LM神经网络在精度、准确率等方面高于传统BP、LM神经网络。与时域组合特征法进行比较,结果验证算法的高效可检测性。以不同分类器、不同小波基对算法诊断性能的影响进行分析,结果表明,该方法具有很强的稳定性和优越性。