液壓氣動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)

第1 章　緒論 1
1.1 液壓系統(tǒng)故障診斷技術(shù)的發(fā)展簡(jiǎn)史 1
1.2 液壓系統(tǒng)故障診斷技術(shù)的發(fā)展趨勢(shì) 3
1.3 液壓系統(tǒng)故障檢測(cè)與診斷新方法 4
1.3.1 小波理論方法 5
1.3.2 頻譜細(xì)化方法 5
1.3.3 混沌分形理論方法 6
1.3.4 Lyapunov指數(shù)及關(guān)聯(lián)維數(shù)方法 6
1.3.5 信息熵方法 7
1.3.6 貝葉斯網(wǎng)絡(luò)方法 7
1.3.7 Hilbert-Huang變換方法 8
1.3.8 神經(jīng)網(wǎng)絡(luò)方法 8
1.3.9 多源信息融合方法 10
1.3.10 人工免疫方法 11
1.3.11 灰色系統(tǒng)方法 12
1.3.12 核主元分析方法 13
1.3.13 支持向量機(jī)方法 14
1.3.14 證據(jù)理論方法 15
1.4 本書(shū)的主要內(nèi)容 16
本章參考文獻(xiàn) 17

第2 章　氣動(dòng)系統(tǒng)的常見(jiàn)故障與排除方法 19
2.1 氣動(dòng)系統(tǒng)使用中的常見(jiàn)故障 19
2.1.1 氣源質(zhì)量不良 19
2.1.2 氣動(dòng)元件故障 20
2.2 氣動(dòng)系統(tǒng)常見(jiàn)故障的排除 21
2.2.1 氣源質(zhì)量不良故障的排除方法 21
2.2.2 氣缸故障的排除方法 23
2.2.3 氣動(dòng)控制閥故障的排除方法 25
2.2.4 氣動(dòng)輔助元件故障的排除方法 26
本章參考文獻(xiàn) 27

第3 章　氣動(dòng)系統(tǒng)的故障診斷技術(shù)與工程應(yīng)用實(shí)例 28
3.1 氣動(dòng)系統(tǒng)故障的基本特征及常用的診斷方法 28
3.1.1 氣動(dòng)系統(tǒng)故障的基本特征 28
3.1.2 氣動(dòng)系統(tǒng)常用的診斷方法 28
3.2 氣動(dòng)系統(tǒng)故障診斷的基本原理及后處理 29
3.2.1 故障診斷的基本原理 29
3.2.2 故障診斷的后處理 31
3.3 氣動(dòng)系統(tǒng)的故障診斷技術(shù)方法 31
3.3.1 基于CBM 的氣動(dòng)系統(tǒng)故障診斷技術(shù) 31
3.3.2 基于故障樹(shù)的氣動(dòng)系統(tǒng)故障診斷技術(shù) 35
3.4 氣動(dòng)系統(tǒng)故障診斷技術(shù)的工程應(yīng)用實(shí)例 36
3.4.1 混凝土攪拌站氣動(dòng)系統(tǒng)故障的排除 36
3.4.2 熱風(fēng)整平機(jī)氣動(dòng)系統(tǒng)常見(jiàn)故障的排除 38
本章參考文獻(xiàn) 41

第4 章　液壓泵多傳感器狀態(tài)監(jiān)測(cè)系統(tǒng) 42
4.1 狀態(tài)監(jiān)測(cè)試驗(yàn)系統(tǒng)組成 42
4.2 軸向柱塞泵典型故障及故障特征頻率 43
4.2.1 軸向柱塞泵典型故障機(jī)理分析 43
4.2.2 軸向柱塞泵典型故障的特征頻率 44
4.3 振動(dòng)傳感器及其測(cè)點(diǎn)位置的選擇 45
4.3.1 振動(dòng)傳感器的選型 45
4.3.2 振動(dòng)傳感器的安裝方式 46
4.3.3 x 和y 方向測(cè)點(diǎn)位置的選取 47
4.4 聲級(jí)計(jì)及其測(cè)點(diǎn)的選擇 53
4.4.1 聲級(jí)計(jì)的選型 53
4.4.2 聲級(jí)計(jì)測(cè)點(diǎn)的確定 53
4.5 軸向柱塞泵狀態(tài)監(jiān)測(cè)系統(tǒng) 54
4.6 軸向柱塞泵的故障模擬 55
4.7 試驗(yàn)數(shù)據(jù)采集 56
4.7.1 信號(hào)采集的參數(shù)設(shè)置 56
4.7.2 故障模式下的試驗(yàn)數(shù)據(jù)采集 56
本章參考文獻(xiàn) 56

第5 章　基于信號(hào)多信息域分析的故障特征提取 58
5.1 基于小波包濾波消噪及Hilbert包絡(luò)解調(diào)的信號(hào)處理 58
5.1.1 小波包濾波消噪 58
5.1.2 Hilbert變換包絡(luò)解調(diào)方法 60
5.1.3 基于小波包濾波消噪及包絡(luò)解調(diào)的信號(hào)處理 62
5.2 信號(hào)的時(shí)域特征提取 62
5.2.1 有量綱參量 62
5.2.2 無(wú)量綱參量 64
5.2.3 振動(dòng)和聲音信號(hào)的時(shí)域特征提取 64
5.2.4 壓力信號(hào)的時(shí)域特征提取 67
5.3 信號(hào)的頻域特征提取 69
5.3.1 頻域特征參量 69
5.3.2 聲音信號(hào)的頻域特征提取 70
5.3.3 壓力信號(hào)的頻域特征提取 71
5.4 信號(hào)的時(shí)頻域特征提取 72
5.4.1 時(shí)頻域特征參量 72
5.4.2 信號(hào)的時(shí)頻域特征提取 73
5.5 信號(hào)的多信息域故障特征向量構(gòu)建 75
本章參考文獻(xiàn) 75

第6 章　灰靶理論在液壓泵故障等級(jí)評(píng)估中的應(yīng)用 77
6.1 灰色理論及灰靶理論分析方法 77
6.1.1 灰色理論概述 77
6.1.2 灰色理論診斷方法 78
6.1.3 灰靶理論及灰靶貢獻(xiàn)度 81
6.2 主分量分析及最大熵譜估計(jì) 83
6.2.1 信號(hào)的譜估計(jì) 83
6.2.2 主分量分析與故障信息分離 86
6.2.3 液壓泵故障信號(hào)的最大熵譜估計(jì) 87
6.3 基于灰靶理論的液壓泵故障模式識(shí)別 88
6.3.1 液壓泵故障診斷試驗(yàn)系統(tǒng) 88
6.3.2 基于灰靶理論的液壓泵故障模式識(shí)別步驟 88
6.3.3 振動(dòng)信號(hào)的預(yù)處理 90
6.3.4 故障振動(dòng)信號(hào)功率譜分析及特征提取 91
6.3.5 基于灰靶理論的故障等級(jí)評(píng)估 94
本章參考文獻(xiàn) 96

第7 章　基于灰色神經(jīng)網(wǎng)絡(luò)的故障診斷方法 97
7.1 灰色神經(jīng)網(wǎng)絡(luò) 97
7.1.1 基于知識(shí)的故障診斷方法 97
7.1.2 灰色理論 98
7.1.3 神經(jīng)網(wǎng)絡(luò) 100
7.1.4 灰色理論與神經(jīng)網(wǎng)絡(luò)的結(jié)合 102
7.2 液壓泵狀態(tài)監(jiān)測(cè)試驗(yàn) 104
7.2.1 液壓泵的狀態(tài)監(jiān)測(cè) 104
7.2.2 監(jiān)測(cè)數(shù)據(jù)的采集 105
7.3 基于灰色神經(jīng)網(wǎng)絡(luò)方法的故障診斷 107
7.3.1 信號(hào)處理 108
7.3.2 特征向量提取 112
7.3.3 灰色神經(jīng)網(wǎng)絡(luò)故障診斷 115
本章參考文獻(xiàn) 118

第8 章　基于混沌神經(jīng)網(wǎng)絡(luò)的故障診斷方法 119
8.1 混沌神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ) 119
8.1.1 混沌及其特征 119
8.1.2 混沌的判據(jù) 121
8.1.3 Logistic映射分析 122
8.1.4 神經(jīng)網(wǎng)絡(luò)概述 124
8.1.5 誤差反向傳播神經(jīng)網(wǎng)絡(luò) 125
8.1.6 前向混沌神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 127
8.2 液壓泵振動(dòng)信號(hào)的分析與處理 131
8.2.1 短時(shí)最大熵譜分析 131
8.2.2 小波包帶通濾波和消噪 132
8.2.3 Hilbert包絡(luò)解調(diào) 133
8.3 混沌神經(jīng)網(wǎng)絡(luò)在液壓泵故障診斷中的應(yīng)用 135
8.3.1 基于前向混沌神經(jīng)網(wǎng)絡(luò)的故障診斷過(guò)程 135
8.3.2 液壓泵各狀態(tài)振動(dòng)信號(hào)的采集 136
8.3.3 前向混沌神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 136
8.3.4 液壓泵故障診斷及結(jié)果分析 139
本章參考文獻(xiàn) 144

第9 章　基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的故障診斷方法 145
9.1 聯(lián)想記憶神經(jīng)網(wǎng)絡(luò) 145
9.1.1 離散Hopfield神經(jīng)網(wǎng)絡(luò) 145
9.1.2 聯(lián)想記憶 149
9.1.3 聯(lián)想記憶網(wǎng)絡(luò)應(yīng)用舉例 152
9.2 Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)改進(jìn)和學(xué)習(xí)算法 154
9.2.1 反向傳播網(wǎng)絡(luò) 154
9.2.2 聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)改進(jìn) 157
9.2.3 粒子群優(yōu)化算法 158
9.2.4 PSO算法對(duì)Hopfield網(wǎng)絡(luò)權(quán)值的優(yōu)化 160
9.3 基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的液壓泵故障診斷 161
9.3.1 振動(dòng)信號(hào)的采集 161
9.3.2 信號(hào)預(yù)處理及故障特征提取 162
9.3.3 聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置 164
9.3.4 基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的液壓泵故障識(shí)別 168
9.3.5 基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的樣本交叉循環(huán)訓(xùn)練的故障識(shí)別 172
本章參考文獻(xiàn) 174

第10 章　基于免疫危險(xiǎn)理論的故障診斷方法 175
10.1 人工免疫系統(tǒng)與免疫危險(xiǎn)理論 175
10.1.1 生物免疫系統(tǒng) 175
10.1.2 人工免疫系統(tǒng) 177
10.1.3 人工免疫系統(tǒng)的求解算法 178
10.1.4 免疫危險(xiǎn)理論 180
10.2 液壓泵各狀態(tài)振動(dòng)信號(hào)的采集與預(yù)處理 182
10.2.1 振動(dòng)信號(hào)的采集 182
10.2.2 共振信號(hào)的解調(diào) 183
10.2.3 液壓泵故障狀態(tài)特征信息的提取 188
10.3 免疫危險(xiǎn)理論在特征降維與故障診斷中的應(yīng)用 191
10.3.1 基于免疫危險(xiǎn)理論的液壓泵振動(dòng)信號(hào)特征選擇算法 191
10.3.2 基于免疫危險(xiǎn)理論的故障診斷算法 197
本章參考文獻(xiàn) 205

第11 章　基于HHT 和模糊C 均值聚類(lèi)的故障診斷方法 207
11.1 基于Hilbert-Huang變換的軸向柱塞泵振動(dòng)信號(hào)分析 207
11.1.1 Hilbert-Huang變換 207
11.1.2 軸向柱塞泵狀態(tài)信號(hào)的采集 210
11.1.3 滑靴磨損故障振動(dòng)信號(hào)分析 211
11.1.4 松靴故障振動(dòng)信號(hào)分析 214
11.1.5 中心彈簧失效故障振動(dòng)信號(hào)分析 216
11.2 基于Hilbert-Huang變換的軸向柱塞泵壓力信號(hào)分析 219
11.2.1 正常狀態(tài)壓力信號(hào)分析 219
11.2.2 滑靴磨損故障壓力信號(hào)分析 221
11.2.3 松靴故障壓力信號(hào)分析 224
11.2.4 中心彈簧失效故障壓力信號(hào)分析 226
11.3 基于HHT的故障特征向量提取 229
11.3.1 局部邊際能量譜及特征能量 229
11.3.2 振動(dòng)信號(hào)的特征提取 229
11.3.3 壓力信號(hào)的特征提取 233
11.4 基于模糊C 均值聚類(lèi)的模式識(shí)別 236
11.4.1 模式識(shí)別和模糊聚類(lèi) 236
11.4.2 模糊C 均值聚類(lèi)算法 237
11.4.3 基于FCMC算法和振動(dòng)信號(hào)的軸向柱塞泵故障識(shí)別 238
11.4.4 基于FCMC算法和壓力信號(hào)的軸向柱塞泵故障識(shí)別 239
本章參考文獻(xiàn) 242

第12 章　信息熵理論在健康狀態(tài)評(píng)估中的應(yīng)用 243
12.1 信號(hào)在不同分析域中的信息熵特征 243
12.1.1 信息系統(tǒng)的分析模型 243
12.1.2 信息熵的概念 243
12.1.3 信息熵的性質(zhì) 244
12.1.4 振動(dòng)信號(hào)時(shí)域信息熵特征提取 245
12.1.5 振動(dòng)信號(hào)的頻域信息熵特征提取 246
12.1.6 振動(dòng)信號(hào)時(shí)頻域信息熵特征提取 247
12.2 滑靴油膜理論 248
12.2.1 滑靴的磨損形式 249
12.2.2 油膜的熱楔效應(yīng) 249
12.2.3 圓盤(pán)的油膜擠壓效應(yīng) 250
12.2.4 靜壓支承油膜理論 250
12.2.5 滑靴斜盤(pán)摩擦副受力分析 253
12.2.6 滑靴偏磨 255
12.3 液壓泵健康狀態(tài)評(píng)估的試驗(yàn)研究 256
12.3.1 液壓泵健康評(píng)估試驗(yàn)系統(tǒng) 256
12.3.2 試驗(yàn)步驟 257
12.3.3 試驗(yàn)結(jié)果分析 257
本章參考文獻(xiàn) 266

第13 章　基于聲音信號(hào)的核主元分析故障診斷方法 268
13.1 PCA的基本原理 268
13.1.1 PCA模型 268
13.1.2 統(tǒng)計(jì)量的確定 269
13.2 KPCA的基本原理 270
13.2.1 KPCA模型 270
13.2.2 核函數(shù)的選取 271
13.2.3 統(tǒng)計(jì)量的確定 272
13.3 基于聲音信號(hào)的KPCA故障診斷方法 272
13.3.1 核主元模型的構(gòu)建步驟 272
13.3.2 在線檢測(cè)的步驟 272
13.4 試驗(yàn)研究 273
13.4.1 聲音信號(hào)分析 273
13.4.2 聲音信號(hào)的特征向量提取 274
13.4.3 基于聲音信號(hào)的KPCA故障診斷方法的診斷結(jié)果 277
13.4.4 基于聲音信號(hào)的PCA故障診斷方法的診斷結(jié)果 278
13.4.5 基于振動(dòng)信號(hào)的KPCA故障診斷方法的診斷結(jié)果 279
13.4.6 診斷結(jié)果比較 279
本章參考文獻(xiàn) 280

第14 章　指數(shù)加權(quán)動(dòng)態(tài)核主元分析的故障診斷方法 281
14.1 指數(shù)加權(quán)動(dòng)態(tài)自回歸統(tǒng)計(jì)模型 281
14.1.1 指數(shù)加權(quán)主元分析模型 281
14.1.2 基于滑動(dòng)時(shí)間窗口的數(shù)據(jù)更新 281
14.1.3 指數(shù)加權(quán)核主元分析模型 282
14.1.4 指數(shù)加權(quán)核主元分析模型的特點(diǎn) 282
14.2 指數(shù)加權(quán)動(dòng)態(tài)核主元分析法的建模與故障診斷 283
14.2.1 第1個(gè)時(shí)間窗口的建模與故障診斷 283
14.2.2 第1個(gè)時(shí)間窗口以后各窗口的建模與故障診斷 283
14.3 試驗(yàn)研究 285
14.3.1 振動(dòng)信號(hào)分析 285
14.3.2 振動(dòng)信號(hào)的特征向量提取 286
14.3.3 指數(shù)加權(quán)動(dòng)態(tài)核主元分析的故障診斷方法的診斷結(jié)果 287
本章參考文獻(xiàn) 289

第15 章　SVM 與證據(jù)理論集成的多源信息融合故障診斷方法 291
15.1 證據(jù)理論 291
15.1.1 證據(jù)理論中的幾個(gè)重要概念 291
15.1.2 證據(jù)區(qū)間的描述 292
15.1.3 信度函數(shù)的融合規(guī)則 292
15.2 基于矩陣分析的融合算法 293
15.2.1 置信度分配矩陣 293
15.2.2 算法描述 293
15.3 基本概率分配的確定方法 294
15.3.1 基于BP神經(jīng)網(wǎng)絡(luò)確定基本概率分配 294
15.3.2 基于SVM 確定基本概率分配 295
15.4 基于證據(jù)理論的多源信息融合故障診斷方法 297
15.4.1 故障特征參量的提取 297
15.4.2 故障診斷過(guò)程的實(shí)現(xiàn) 298
15.5 試驗(yàn)研究 298
15.5.1 信號(hào)處理 299
15.5.2 基本概率分配的確定 300
15.5.3 試驗(yàn)結(jié)果分析 303
本章參考文獻(xiàn) 305