论文部分内容阅读
液压系统具有功率质量比大、易于实现自动控制、易于过载保护等优点,广泛地应用在机械领域中。液压泵是液压系统的动力源和故障源,对液压泵的故障检测和诊断对高压液压系统可靠性的提高有重要的意义。轴向柱塞泵具有结构紧凑、泄漏小、容积效率高、压力高、效率高等优点,常被应用到液压系统中。由于轴向柱塞泵的故障具有隐蔽性、多样性和因果关系复杂性等特点,轴向柱塞泵的故障诊断非常困难。因此,开展轴向柱塞泵典型故障特征提取方法的研究,对实现轴向柱塞泵典型故障的高效精确诊断具有重要的意义。本文主要开展以下几个方面的研究:(1)轴向柱塞泵的典型故障包括滑靴磨损、松靴、中心弹簧失效和配流盘磨损。根据对轴向柱塞泵故障机理的研究,得出泵壳的振动信号能够反映柱塞泵各典型故障的故障信息。因此,文中设计了一套适用于轴向柱塞泵典型故障诊断的实验方案,并完成轴向柱塞泵典型故障试验台的搭建。(2)轴向柱塞泵的振动信号是非平稳、非线性信号,时域和频域分析只能从整体对振动信号进行处理,不能反映出信号的局部特征。文中采用时频分析方法对其进行处理,包括基于经验模态分解(empirical mode decomposition,EMD)和奇异值分解(singular value decomposition,SVD)的特征提取方法、基于局部均值分解(local mean decomposition,LMD)和SVD的特征提取方法与基于变分模态分解(variational mode decomposition,VMD)和SVD的特征提取方法。然后,通过超限学习机(extreme learning machine,ELM)以上述三种方法得到的故障特征为输入对轴向柱塞泵的典型故障进行诊断,并比较不同故障特征对故障诊断精度的影响。通过对比分析得出,以基于EMD和SVD特征提取方法获得的故障特征为输入的ELM模型,对中心弹簧失效故障的诊断精度较高;以基于LMD和SVD特征提取方法获得的故障特征为输入的ELM模型,对配流盘磨损故障的诊断精度较高;基于VMD和SVD特征提取方法可以更加全面地提取出轴向柱塞泵典型故障特征,以其为输入的ELM模型,能够成功地诊断出轴向柱塞泵不同程度滑靴磨损、松靴故障以及多类别故障。整体来看,基于VMD和SVD的特征可以更有效的反应出轴向柱塞泵的典型故障。