液壓氣動系統(tǒng)狀態(tài)監(jiān)測與故障診斷技術

第1 章　緒論 1
1.1 液壓系統(tǒng)故障診斷技術的發(fā)展簡史 1
1.2 液壓系統(tǒng)故障診斷技術的發(fā)展趨勢 3
1.3 液壓系統(tǒng)故障檢測與診斷新方法 4
1.3.1 小波理論方法 5
1.3.2 頻譜細化方法 5
1.3.3 混沌分形理論方法 6
1.3.4 Lyapunov指數及關聯(lián)維數方法 6
1.3.5 信息熵方法 7
1.3.6 貝葉斯網絡方法 7
1.3.7 Hilbert-Huang變換方法 8
1.3.8 神經網絡方法 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 支持向量機方法 14
1.3.14 證據理論方法 15
1.4 本書的主要內容 16
本章參考文獻 17

第2 章　氣動系統(tǒng)的常見故障與排除方法 19
2.1 氣動系統(tǒng)使用中的常見故障 19
2.1.1 氣源質量不良 19
2.1.2 氣動元件故障 20
2.2 氣動系統(tǒng)常見故障的排除 21
2.2.1 氣源質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 氣動控制閥故障的排除方法 25
2.2.4 氣動輔助元件故障的排除方法 26
本章參考文獻 27

第3 章　氣動系統(tǒng)的故障診斷技術與工程應用實例 28
3.1 氣動系統(tǒng)故障的基本特征及常用的診斷方法 28
3.1.1 氣動系統(tǒng)故障的基本特征 28
3.1.2 氣動系統(tǒng)常用的診斷方法 28
3.2 氣動系統(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 氣動系統(tǒng)的故障診斷技術方法 31
3.3.1 基于CBM 的氣動系統(tǒng)故障診斷技術 31
3.3.2 基于故障樹的氣動系統(tǒng)故障診斷技術 35
3.4 氣動系統(tǒng)故障診斷技術的工程應用實例 36
3.4.1 混凝土攪拌站氣動系統(tǒng)故障的排除 36
3.4.2 熱風整平機氣動系統(tǒng)常見故障的排除 38
本章參考文獻 41

第4 章　液壓泵多傳感器狀態(tài)監(jiān)測系統(tǒng) 42
4.1 狀態(tài)監(jiān)測試驗系統(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 振動傳感器及其測點位置的選擇 45
4.3.1 振動傳感器的選型 45
4.3.2 振動傳感器的安裝方式 46
4.3.3 x 和y 方向測點位置的選取 47
4.4 聲級計及其測點的選擇 53
4.4.1 聲級計的選型 53
4.4.2 聲級計測點的確定 53
4.5 軸向柱塞泵狀態(tài)監(jiān)測系統(tǒng) 54
4.6 軸向柱塞泵的故障模擬 55
4.7 試驗數據采集 56
4.7.1 信號采集的參數設置 56
4.7.2 故障模式下的試驗數據采集 56
本章參考文獻 56

第5 章　基于信號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包絡解調的信號處理 58
5.1.1 小波包濾波消噪 58
5.1.2 Hilbert變換包絡解調方法 60
5.1.3 基于小波包濾波消噪及包絡解調的信號處理 62
5.2 信號的時域特征提取 62
5.2.1 有量綱參量 62
5.2.2 無量綱參量 64
5.2.3 振動和聲音信號的時域特征提取 64
5.2.4 壓力信號的時域特征提取 67
5.3 信號的頻域特征提取 69
5.3.1 頻域特征參量 69
5.3.2 聲音信號的頻域特征提取 70
5.3.3 壓力信號的頻域特征提取 71
5.4 信號的時頻域特征提取 72
5.4.1 時頻域特征參量 72
5.4.2 信號的時頻域特征提取 73
5.5 信號的多信息域故障特征向量構建 75
本章參考文獻 75

第6 章　灰靶理論在液壓泵故障等級評估中的應用 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度 81
6.2 主分量分析及最大熵譜估計 83
6.2.1 信號的譜估計 83
6.2.2 主分量分析與故障信息分離 86
6.2.3 液壓泵故障信號的最大熵譜估計 87
6.3 基于灰靶理論的液壓泵故障模式識別 88
6.3.1 液壓泵故障診斷試驗系統(tǒng) 88
6.3.2 基于灰靶理論的液壓泵故障模式識別步驟 88
6.3.3 振動信號的預處理 90
6.3.4 故障振動信號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評估 94
本章參考文獻 96

第7 章　基于灰色神經網絡的故障診斷方法 97
7.1 灰色神經網絡 97
7.1.1 基于知識的故障診斷方法 97
7.1.2 灰色理論 98
7.1.3 神經網絡 100
7.1.4 灰色理論與神經網絡的結合 102
7.2 液壓泵狀態(tài)監(jiān)測試驗 104
7.2.1 液壓泵的狀態(tài)監(jiān)測 104
7.2.2 監(jiān)測數據的采集 105
7.3 基于灰色神經網絡方法的故障診斷 107
7.3.1 信號處理 108
7.3.2 特征向量提取 112
7.3.3 灰色神經網絡故障診斷 115
本章參考文獻 118

第8 章　基于混沌神經網絡的故障診斷方法 119
8.1 混沌神經網絡的理論基礎 119
8.1.1 混沌及其特征 119
8.1.2 混沌的判據 121
8.1.3 Logistic映射分析 122
8.1.4 神經網絡概述 124
8.1.5 誤差反向傳播神經網絡 125
8.1.6 前向混沌神經網絡及其學習算法 127
8.2 液壓泵振動信號的分析與處理 131
8.2.1 短時最大熵譜分析 131
8.2.2 小波包帶通濾波和消噪 132
8.2.3 Hilbert包絡解調 133
8.3 混沌神經網絡在液壓泵故障診斷中的應用 135
8.3.1 基于前向混沌神經網絡的故障診斷過程 135
8.3.2 液壓泵各狀態(tài)振動信號的采集 136
8.3.3 前向混沌神經網絡的設計 136
8.3.4 液壓泵故障診斷及結果分析 139
本章參考文獻 144

第9 章　基于聯(lián)想記憶神經網絡的故障診斷方法 145
9.1 聯(lián)想記憶神經網絡 145
9.1.1 離散Hopfield神經網絡 145
9.1.2 聯(lián)想記憶 149
9.1.3 聯(lián)想記憶網絡應用舉例 152
9.2 Hopfield網絡的結構改進和學習算法 154
9.2.1 反向傳播網絡 154
9.2.2 聯(lián)想記憶神經網絡的結構改進 157
9.2.3 粒子群優(yōu)化算法 158
9.2.4 PSO算法對Hopfield網絡權值的優(yōu)化 160
9.3 基于聯(lián)想記憶神經網絡的液壓泵故障診斷 161
9.3.1 振動信號的采集 161
9.3.2 信號預處理及故障特征提取 162
9.3.3 聯(lián)想記憶神經網絡的參數設置 164
9.3.4 基于聯(lián)想記憶神經網絡的液壓泵故障識別 168
9.3.5 基于聯(lián)想記憶神經網絡的樣本交叉循環(huán)訓練的故障識別 172
本章參考文獻 174

第10 章　基于免疫危險理論的故障診斷方法 175
10.1 人工免疫系統(tǒng)與免疫危險理論 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 免疫危險理論 180
10.2 液壓泵各狀態(tài)振動信號的采集與預處理 182
10.2.1 振動信號的采集 182
10.2.2 共振信號的解調 183
10.2.3 液壓泵故障狀態(tài)特征信息的提取 188
10.3 免疫危險理論在特征降維與故障診斷中的應用 191
10.3.1 基于免疫危險理論的液壓泵振動信號特征選擇算法 191
10.3.2 基于免疫危險理論的故障診斷算法 197
本章參考文獻 205

第11 章　基于HHT 和模糊C 均值聚類的故障診斷方法 207
11.1 基于Hilbert-Huang變換的軸向柱塞泵振動信號分析 207
11.1.1 Hilbert-Huang變換 207
11.1.2 軸向柱塞泵狀態(tài)信號的采集 210
11.1.3 滑靴磨損故障振動信號分析 211
11.1.4 松靴故障振動信號分析 214
11.1.5 中心彈簧失效故障振動信號分析 216
11.2 基于Hilbert-Huang變換的軸向柱塞泵壓力信號分析 219
11.2.1 正常狀態(tài)壓力信號分析 219
11.2.2 滑靴磨損故障壓力信號分析 221
11.2.3 松靴故障壓力信號分析 224
11.2.4 中心彈簧失效故障壓力信號分析 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 振動信號的特征提取 229
11.3.3 壓力信號的特征提取 233
11.4 基于模糊C 均值聚類的模式識別 236
11.4.1 模式識別和模糊聚類 236
11.4.2 模糊C 均值聚類算法 237
11.4.3 基于FCMC算法和振動信號的軸向柱塞泵故障識別 238
11.4.4 基于FCMC算法和壓力信號的軸向柱塞泵故障識別 239
本章參考文獻 242

第12 章　信息熵理論在健康狀態(tài)評估中的應用 243
12.1 信號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 244
12.1.4 振動信號時域信息熵特征提取 245
12.1.5 振動信號的頻域信息熵特征提取 246
12.1.6 振動信號時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 249
12.2.3 圓盤的油膜擠壓效應 250
12.2.4 靜壓支承油膜理論 250
12.2.5 滑靴斜盤摩擦副受力分析 253
12.2.6 滑靴偏磨 255
12.3 液壓泵健康狀態(tài)評估的試驗研究 256
12.3.1 液壓泵健康評估試驗系統(tǒng) 256
12.3.2 試驗步驟 257
12.3.3 試驗結果分析 257
本章參考文獻 266

第13 章　基于聲音信號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 核函數的選取 271
13.2.3 統(tǒng)計量的確定 272
13.3 基于聲音信號的KPCA故障診斷方法 272
13.3.1 核主元模型的構建步驟 272
13.3.2 在線檢測的步驟 272
13.4 試驗研究 273
13.4.1 聲音信號分析 273
13.4.2 聲音信號的特征向量提取 274
13.4.3 基于聲音信號的KPCA故障診斷方法的診斷結果 277
13.4.4 基于聲音信號的PCA故障診斷方法的診斷結果 278
13.4.5 基于振動信號的KPCA故障診斷方法的診斷結果 279
13.4.6 診斷結果比較 279
本章參考文獻 280

第14 章　指數加權動態(tài)核主元分析的故障診斷方法 281
14.1 指數加權動態(tài)自回歸統(tǒng)計模型 281
14.1.1 指數加權主元分析模型 281
14.1.2 基于滑動時間窗口的數據更新 281
14.1.3 指數加權核主元分析模型 282
14.1.4 指數加權核主元分析模型的特點 282
14.2 指數加權動態(tài)核主元分析法的建模與故障診斷 283
14.2.1 第1個時間窗口的建模與故障診斷 283
14.2.2 第1個時間窗口以后各窗口的建模與故障診斷 283
14.3 試驗研究 285
14.3.1 振動信號分析 285
14.3.2 振動信號的特征向量提取 286
14.3.3 指數加權動態(tài)核主元分析的故障診斷方法的診斷結果 287
本章參考文獻 289

第15 章　SVM 與證據理論集成的多源信息融合故障診斷方法 291
15.1 證據理論 291
15.1.1 證據理論中的幾個重要概念 291
15.1.2 證據區(qū)間的描述 292
15.1.3 信度函數的融合規(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神經網絡確定基本概率分配 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 故障診斷過程的實現 298
15.5 試驗研究 298
15.5.1 信號處理 299
15.5.2 基本概率分配的確定 300
15.5.3 試驗結果分析 303
本章參考文獻 305