基于信号时频特性与GA-SVM的液压泵故障诊断方法

为提高液压泵故障诊断的准确率和速度,提出一种小波包频带能量结合信号时域统计量方差和均方根值的信号特性表示方法,以及一种用于寻找支持向量机最优惩罚因子和径向基核函数模型参数的实值编码遗传算法。实验结果表明这种信号特性表示方法能够很好地展示液压泵不同工作状态下的特征,使不同状态下的信号具有明显的区分度。通过与幂级数分格的网格搜索法对比,验证了实值编码的遗传算法能够有效且快速地找到支持向量机的最优参数。     

基于小波包和SOM神经网络的电作动器故障诊断

针对机载机电作动器的故障诊断的问题,提出了一种基于小波包和自组织映射(SOM)神经网络结合的机电作动器故障诊断方法。为提高诊断的准确率,该方法应用小波包分解把机电作动器卡死、偏差、增益三类故障信号分解到若干个频段上,计算不同频段上的能量,提取机电作动器的故障特征,然后设计SOM神经网络,利用能量故障特征向量进行神经网络的训练,确定网络参数,达到故障的诊断的目的。通过仿真验证研究,得到了非常好的诊断准确率,表明该机电作动器故障诊断方法的有效性和优越性。     

一种液压作动筒故障注入及诊断方法的研究

为了解决液压作动筒的故障诊断问题,提出一种基于工程系统高级建模仿真环境软件(advanced environment of simulation of engineering systems,AMESim)仿真的故障注入方法,并在此基础上,研究了小波包分解和支持向量机(support vector machine,SVM)结合的液压作动筒故障诊断方法。首先在AMESim中建立的作动筒位置控制系统的模型基础上,设置正常工况、泄漏故障、外力突增故障、活塞杆轴心偏移故障4种模式,得到作动筒无杆腔和有杆腔的流量信号;然后,利用小波包变换将得到的信号进行分解,计算不同频段的能量值,提取特征参数;最后,为了提高分类准确率,采取支持向量机法对特征数据进行训练并用测试数据验证模型的准确性。实验结果表明了支持向量机法用于液压作动筒故障诊断具有良好的优越性和可靠性。