CN106594000A - 一种电液伺服阀故障诊断方法 - Google Patents
一种电液伺服阀故障诊断方法 Download PDFInfo
- Publication number
- CN106594000A CN106594000A CN201611161353.5A CN201611161353A CN106594000A CN 106594000 A CN106594000 A CN 106594000A CN 201611161353 A CN201611161353 A CN 201611161353A CN 106594000 A CN106594000 A CN 106594000A
- Authority
- CN
- China
- Prior art keywords
- vector
- servo valve
- electro
- valve
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 88
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000002131 composite material Substances 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B2211/00—Circuits for servomotor systems
- F15B2211/80—Other types of control related to particular problems or conditions
- F15B2211/87—Detection of failures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于电液伺服阀技术,具体涉及电液伺服阀故障诊断方法。本发明包括以下步骤:1)参数采集:采集伺服阀参数包括阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流;2)数据处理:采用奇异值分解及余弦分析法对采集到的伺服阀参数进行处理;3)故障诊断:运用准备好的参数训练快速准确的神经网络模型,基于该网络模型进行故障诊断;4)结果输出和处理:模型输出并反归一化,显示并处理诊断结果。本发明有助于解决电液伺服阀故障诊断过程中参数采集多、速度运行慢、精度诊断低的问题,可应用于航空机载电液伺服阀的故障诊断领域或其他领域。
Description
技术领域
本发明属于电液伺服阀技术,具体涉及电液伺服阀故障诊断方法。
背景技术
电液伺服阀是液压伺服系统的核心元件,同时也是液压系统中故障率最高的部位,其使用情况决定系统的工作性能。电液伺服阀的故障通常表现为机械故障、电气故障、液压故障交织在一起,致使故障现象与故障原因不是简单的线性对应关系,而是表现为严重的非线性映射关系,其发生故障时,通常能导致系统控制精度和稳定性变差,严重时将会使系统失效。
特别是对于飞机机载电液伺服阀,在工作中,处在高温、高压、强振动、高动态等极端环境下,因此其采集的信号会受到较大干扰,容易导致有效的信息淹没在噪声之中,使得电液伺服阀的信号采集和分析处理产生极大的困难。
随着飞机液压系统的复杂程度越来越高,为保障飞机液压系统的安全和可靠性,电液伺服阀等关键部件所需监测传感器数量相应增加,从而使飞机重量增加,产生飞机的性能下降、油耗增加等一系列问题。
发明内容
本发明的目的:针对上述问题,提出了一种能够不增加监测传感器情况下,仍能够实现对电液伺服阀故障准确诊断的方法。
本发明的技术方案是:
一种电液伺服阀故障诊断方法,具体步骤如下:
步骤1:采集电液伺服阀参数;
步骤2数据处理:对采集到的伺服阀参数进行去噪处理,然后采用余弦分析法进行伺服阀参数降维;
步骤3故障诊断:将经过降维处理的伺服阀参数进行训练得到故障网络模型,并将实时采集的电液伺服阀参数数据作为故障分类的准备数据,基于该故障网络模型进行故障诊断;
步骤4结果输出和处理,对该故障网络模型输出数据并拟合诊断结果。
所述步骤1中采集的电液伺服阀参数包括:阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。
所述步骤2对采集的伺服阀参数数据进行去噪处理过程如下:
将采集的伺服阀参数数据组成m行n列的矩阵A,进行奇异值分解,分解如下:
其中U代表各维度数据之间的相似方向,V则显示了每条数据之间的相似程度,Σ是对角矩阵,对角线上的值为奇异值,非零奇异值的个数为矩阵的秩,T为转置符号,m、n为大于1的整数;
当选择的各维度数据之间是相关的,则奇异值就会有零值;如不相关,则奇异值均是非零值;选择的各维度数据不相关,且奇异值之间差距较大,则认为有噪声,通过设定数据阈值,将小于该数据阈值的奇异值归零,重新合成矩阵即可消除噪声数据。
所述步骤2中采用余弦分析法,对重新合成矩阵的各列向量之间的余弦值分析进行向量相似性判断,将相似向量合并成复合向量,所对应的坐标值定义为复合参数,实现对合成矩阵内的伺服阀参数数据的降维处理。
两个向量之间的余弦值在批量数据下趋于稳定且在[0.707,1]区间内,该两个向量互为相似向量。
若向量P和向量Q互为相似向量,复合向量Z由相似向量的某一个向量计算获得,达到降维的效果,复合向量的计算公式如下:
λ、η分别为P向量和向量Q向量变化单位模长度相应的Z方向变化的比例,相应的计算公式如下:
θ为向量P和向量Z的夹角,Rrot(θ)为向量P和向量Z的旋转矩阵,为向量Q和Z的夹角,为向量Q和向量Z的旋转矩阵,在二维坐标下相应的旋转矩阵公式如下:
所述步骤3用故障网络模型进行诊断故障,其中,故障网络模型选用调节参数比较少的广义回归神经网络,具体过程如下:
Step3.1:数据归一化:
其中,Xmin为输入向量X的最小值,Xmax为输入向量X的最大值,Xi'为输入向量X第i个神经元归一化后的值。
Step3.2:训练故障网络模型:将复合参数输入广义回归神经网络,模式层神经元传递函数Fi为:
其中,X为故障网络输入向量,Xi为第i个神经元对应的学习样本,T为向量转置,光滑因子σ为唯一变量,将其从0.01到1之间进行调节,通过迭代训练故障网络模型,选择故障网络模型输出和实际值的均方根误差达到设定值时,所对应的光滑因子σ为最佳参数,得到适合本数据特征的故障网络模型。
所述步骤4故障网络模型输出数据进行反归一化,并转化为相应故障类别,拟合离散点得到连续故障模式趋势。
本发明具有的优点和有益效果是:
1、针对飞机机载电液伺服阀所处环境恶劣,对采集信号造成较大干扰的问题,本发明基于奇异值分解(Singular Value Decomposition;SVD)消除信号中的噪声,改善微弱信号的信噪比,提高信号的有效性。
2、航空领域提倡“为减轻飞机每一克重量而奋斗”,重量是飞机在设计过程中必须考虑的重要方面。为此,本发明余弦分析(Cosine Analysis;CA),利用相似向量成复合参数,进行参数降维,从而在采集相同信息量的前提下,减少液压系统传感器的个数,减轻飞机重量。
3、本发明提出一种学习能力强、结构简单的广义回归神经网络(GeneralizedRegression Neural Network;GRNN)故障诊断模型。相比其他神经网络模型,该模型训练参数少、训练速度快,提高了电液伺服阀故障诊断效率和精度。
本发明不仅可以用于航空领域,同样可转化应用于其他自动化程度较高便于信息采集的工业领域,具有较大的实际应用价值。
附图说明
图1为本发明的电液伺服阀故障诊断流程图;
图2为相似向量合并示意图;
图3为神经网络训练模型流程图;
图4为广义回归神经网络结构图;
图5为模型诊断流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
本飞机电液伺服阀的故障诊断方法具体包括以下步骤:
图1示意了本发明电液伺服阀故障诊断方法的主要步骤。包括:第一步在电液伺服阀的相应位置安装传感器采集六个参数:包括伺服阀的阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。第二步,采集到的特征数据组成矩阵,进而分析采集的数据关系,运用奇异值分解对数据进行去噪,去除因为测量方式,电流电压信号不稳定状态的噪声,然后采用余弦分析法,判定各向量之间的相似程度,从而确定相似向量。合并相似向量,形成复合向量。第三步,将复合向量的坐标数据输入到训练完成的诊断模型中,将正常和故障状态模式数据化,根据网络输出值和实际值的均方根误差,来判断训练是否结束。第四步,将实时采集的数据输入训练好的模型中,输出诊断结果,并归类到某故障模式,将结果拟合成故障曲线,得到故障整体趋势。
进一步,所述第一步数据采集的具体步骤如下:
电液伺服阀左腔压力和右腔压力的采集:将压力传感器安装在阀的两个出口处,压力信号综合反映了阀的工作状态,通过对阀的两个出口处的压力监测,可以对节流孔堵塞、滤芯堵塞等与压力相关的故障进行监视。
电液伺服阀进口流量和出口流量的采集:将流量传感器安装在阀的两个出口处,主要是为了获得阀出口流量值,该值能在一定程度上反映阀的工作性能。通过对阀出口流量进行监测,可以对阀流量失常、流量波动、泄漏严重等状态进行监控。
电液伺服阀壳体温度的采集:将红外温度传感器安装在阀壳体附近,正常阀体的工作温度变化范围是有限的,一定时间间隔下的异常升温往往意味着阀内出现故障,通过监测阀温度变化可以实现对温度变化有密切联系的故障监测。
电液伺服阀电流的采集:阀电流是在伺服控制系统中进行监测,电气故障及性能故障会引起阀电流的异常,通过监测阀电流变化可实现对电气有密切联系的故障监测。
进一步,所述第二步数据处理的具体步骤如下:
Step2.1:将采集的数据组成m行n列的矩阵A,进行奇异值分解。分解如下:
其中U代表各维度数据之间的相似方向,V则显示了每条数据之间的相似程度。Σ是对角矩阵,对角线上的值为奇异值,非零奇异值的个数为矩阵的秩。当我们选择的数据之间是相关的,则奇异值就会有零值;如不相关,则奇异值均是非零值。选择的数据不相关,且奇异值之间差距较大(奇异值一般是由大到小顺序排列),则认为有噪声,重新合成矩阵即可消除噪声数据。例如矩阵A的奇异值如下排列:
当σk+1远小于σk,即σk+1/σk<0.1,认为σk+1及以后奇异值是造成噪声数据的因素,将矩阵A近似为矩阵A’(A’为重新合成矩阵),即可消除数据采集过程中出现的各种环境、机器磨损、信号不稳定出现的噪声。近似过程如下所示:
Step2.2:采用余弦分析法,对近似矩阵A’的各列向量进行相似性分析。具体步骤如下:
根据余弦函数的性质可知,两个向量之间的夹角越小,余弦值越接近于1,两个向量之间的变化趋势越相似。
为了叙述方便在此给出一个相似向量的定义。向量之间的余弦值在批量数据下趋于稳定且在[0.707,1]区间内,两个向量即互为相似向量。
相似矩阵A’形成了m个n维空间的向量,两两比较列向量之间的余弦值判断是否为相似向量。
余弦函数的数学表达式如下:
n维空间下,设P=(P1,P2,…Pn),Q=(Q1,Q2,…Qn),余弦值计算如下:
Step2.3:如图2所示,合并相似向量。
为了叙述方便,将两个相似向量合并后的向量定义为复合向量,所对应的坐标值定义为复合参数。若向量P和Q为相似向量,复合向量可由相似向量的某一个向量计算获得,达到降维的效果,复合向量的计算公式如下:
λ为P向量变化单位模长度相应的Z方向变化的比例:
θ为向量P和Z的夹角,Rrot(θ)为向量P和Z的旋转矩阵。在二维坐标下的旋转矩阵公式如下:
进一步,所述第三步故障诊断的具体步骤如下:
如图3所示,示意了模型的训练过程。如图4所示为广义回归神经网络具体结构,分为四层:输入层、模式层、求和层和输出层。
首先将复合参数的数据归一化处理,作为神经网络输入的标准数据,然后训练模型。归一化公式如下:
其中,Xmin为输入向量X的最小值,Xmax为输入向量X的最大值,Xi'为输入向量X第i个神经元归一化后的值。
模式层传递函数Fi如下:
其中,X为故障网络输入向量,Xi为第i个神经元对应的学习样本,T为向量的转置,光滑因子σ是广义回归神经网络的唯一变量,将其从0.01到1之间进行调节,通过故障网络模型迭代训练,根据网络输出值和实际值之间的均方根误差值(RMSE)来判断光滑因子σ是否最佳。当RMSE小于设定的正数ε,即得到最佳光滑因子σ,结束训练,形成最佳网络模型。RMSE的公式如下所示,其中Xout,i、Xreal,i分别为网络输出值和实际值。
如图5所示,采用训练完成的模型诊断故障,网络输出故障诊断结果。将实时采集的数据输入训练完成的网络模型中进行故障诊断,输出诊断故障结果,将诊断结果的数据反归一化处理,然后进行故障分类,拟合分类结果,形成故障趋势曲线图,以便在故障发生前期做出对策。
本领域的技术人员可对本发明的上述方法做出各种修改、变型、以及替换,但其均落入如所附权利要求限定的本发明的保护范围。
Claims (9)
1.一种电液伺服阀故障诊断方法,其特征在于,
具体步骤如下:
步骤1:采集电液伺服阀参数;
步骤2数据处理:对采集到的伺服阀参数进行去噪处理,然后采用余弦分析法进行伺服阀参数降维;
步骤3故障诊断:将经过降维处理的伺服阀参数进行训练得到故障网络模型,并将实时采集的电液伺服阀参数数据作为故障分类的准备数据,基于该故障网络模型进行故障诊断;
步骤4结果输出和处理,对该故障网络模型输出数据并拟合诊断结果。
2.根据权利要求1所述的一种电液伺服阀故障诊断方法,其特征在于,
所述步骤1中采集的电液伺服阀参数包括:阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。
3.根据权利要求2所述的一种电液伺服阀故障诊断方法,其特征在于,
所述步骤2对采集的伺服阀参数数据进行去噪处理过程如下:
将采集的伺服阀参数数据组成m行n列的矩阵A,进行奇异值分解,分解如下:
其中U代表各维度数据之间的相似方向,V则显示了每条数据之间的相似程度,Σ是对角矩阵,对角线上的值为奇异值,非零奇异值的个数为矩阵的秩,T为转置符号,m、n为大于1的整数;
当选择的各维度数据之间是相关的,则奇异值就会有零值;如不相关,则奇异值均是非零值;选择的各维度数据不相关,且奇异值之间差距较大,则认为有噪声,通过设定数据阈值,将小于该数据阈值的奇异值归零,重新合成矩阵即可消除噪声数据。
4.根据权利要求3所述的一种电液伺服阀故障诊断方法,其特征在于,步骤2中采用余弦分析法,对重新合成矩阵的各列向量之间的余弦值分析进行向量相似性判断,将相似向量合并成复合向量,所对应的坐标值定义为复合参数,实现对合成矩阵内的伺服阀参数数据的降维处理。
5.根据权利要求4所述的一种电液伺服阀故障诊断方法,其特征在于,两个向量之间的余弦值在批量数据下趋于稳定且在[0.707,1]区间内,该两个向量互为相似向量。
6.根据权利要求4所述的一种电液伺服阀故障诊断方法,其特征在于,
若向量P和向量Q互为相似向量,复合向量Z由相似向量的某一个向量计算获得,达到降维的效果,复合向量的计算公式如下:
λ、η分别为P向量和Q向量变化单位模长度相应的Z方向变化的比例,相应的计算公式如下:
θ为向量P和向量Z的夹角,Rrot(θ)为向量P和向量Z的旋转矩阵,为向量Q和向量Z的夹角,为向量Q和向量Z的旋转矩阵。
7.根据权利要求6所述的一种电液伺服阀故障诊断方法,其特征在于,在二维坐标下相应的旋转矩阵公式如下:
8.根据权利要求1所述的一种电液伺服阀故障诊断方法,其特征在于,所述步骤3用故障网络模型进行诊断故障,其中,故障网络模型选用调节参数比较少的广义回归神经网络,具体过程如下:
Step3.1:数据归一化:
其中,Xmin为输入向量X的最小值,Xmax为输入向量X的最大值,Xi'为输入向量X第i个神经元归一化后的值。
Step3.2:训练故障网络模型:将复合参数输入广义回归神经网络,模式层神经元传递函数Fi为:
其中,X为故障网络输入向量,Xi为第i个神经元对应的学习样本,T为向量转置,光滑因子σ为唯一变量,将其从0.01到1之间进行调节,通过迭代训练故障网络模型,选择故障网络模型输出和实际值的均方根误差达到设定值时,所对应的光滑因子σ为最佳参数,得到适合本数据特征的故障网络模型。
9.根据权利要求1所述的一种电液伺服阀故障诊断方法,其特征在于,
所述步骤4故障网络模型输出数据进行反归一化,并转化为相应故障类别,拟合离散点得到连续故障模式趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161353.5A CN106594000B (zh) | 2016-12-15 | 2016-12-15 | 一种电液伺服阀故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611161353.5A CN106594000B (zh) | 2016-12-15 | 2016-12-15 | 一种电液伺服阀故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106594000A true CN106594000A (zh) | 2017-04-26 |
CN106594000B CN106594000B (zh) | 2018-11-09 |
Family
ID=58802613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611161353.5A Active CN106594000B (zh) | 2016-12-15 | 2016-12-15 | 一种电液伺服阀故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106594000B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844122A (zh) * | 2017-09-15 | 2018-03-27 | 中国科学院长春光学精密机械与物理研究所 | 一种宽负载条件下航空稳定平台伺服控制方法 |
CN108092850A (zh) * | 2017-12-12 | 2018-05-29 | 郑州云海信息技术有限公司 | 一种基于心跳机制的集群服务器故障诊断方法与系统 |
CN109101007A (zh) * | 2017-06-20 | 2018-12-28 | 宝山钢铁股份有限公司 | 一种轧机hgc系统伺服阀在线诊断方法 |
CN109915218A (zh) * | 2019-03-07 | 2019-06-21 | 东方电气自动控制工程有限公司 | 一种deh系统电液转换部件故障诊断系统 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN111550473A (zh) * | 2019-02-12 | 2020-08-18 | 纳博特斯克有限公司 | 液压伺服阀的状态诊断方法、系统及其状态诊断装置 |
CN113719499A (zh) * | 2021-08-31 | 2021-11-30 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10230539A (ja) * | 1997-02-19 | 1998-09-02 | Mitsubishi Heavy Ind Ltd | 比例電磁制御弁の作動特性測定方法,油圧シリンダの作動制御方法および比例電磁制御弁の作動特性修正方法 |
CN101813109A (zh) * | 2010-04-02 | 2010-08-25 | 山东电力研究院 | 伺服阀测试系统 |
CN102478033A (zh) * | 2010-11-30 | 2012-05-30 | 沈阳理工大学 | 一种电液伺服阀测控系统 |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
WO2013026209A1 (zh) * | 2011-08-25 | 2013-02-28 | 长沙中联重工科技发展股份有限公司 | 用于检测液压回路中液压阀的方法、控制器和装置、检测液压回路故障的方法和装置以及液压回路故障处理系统 |
CN104454789A (zh) * | 2014-12-03 | 2015-03-25 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种电液伺服阀测试系统流量参数的现场校准方法 |
CN205592225U (zh) * | 2016-04-18 | 2016-09-21 | 天津奥兰特液压设备维修有限公司 | 一种便携式液压伺服阀故障诊断测试仪 |
CN105987046A (zh) * | 2015-01-27 | 2016-10-05 | 中联重科股份有限公司 | 工程机械及其液压阀的故障诊断装置、系统、方法 |
-
2016
- 2016-12-15 CN CN201611161353.5A patent/CN106594000B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10230539A (ja) * | 1997-02-19 | 1998-09-02 | Mitsubishi Heavy Ind Ltd | 比例電磁制御弁の作動特性測定方法,油圧シリンダの作動制御方法および比例電磁制御弁の作動特性修正方法 |
CN101813109A (zh) * | 2010-04-02 | 2010-08-25 | 山东电力研究院 | 伺服阀测试系统 |
CN102478033A (zh) * | 2010-11-30 | 2012-05-30 | 沈阳理工大学 | 一种电液伺服阀测控系统 |
WO2013026209A1 (zh) * | 2011-08-25 | 2013-02-28 | 长沙中联重工科技发展股份有限公司 | 用于检测液压回路中液压阀的方法、控制器和装置、检测液压回路故障的方法和装置以及液压回路故障处理系统 |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
CN104454789A (zh) * | 2014-12-03 | 2015-03-25 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种电液伺服阀测试系统流量参数的现场校准方法 |
CN105987046A (zh) * | 2015-01-27 | 2016-10-05 | 中联重科股份有限公司 | 工程机械及其液压阀的故障诊断装置、系统、方法 |
CN205592225U (zh) * | 2016-04-18 | 2016-09-21 | 天津奥兰特液压设备维修有限公司 | 一种便携式液压伺服阀故障诊断测试仪 |
Non-Patent Citations (2)
Title |
---|
师占群: "基于小波故障提取的电液伺服阀故障诊断", 《机械科学与技术》 * |
李雷: "基于遗传优化BP神经网络的电液伺服阀故障诊断分析研究", 《中国优秀硕士学位沦为全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101007A (zh) * | 2017-06-20 | 2018-12-28 | 宝山钢铁股份有限公司 | 一种轧机hgc系统伺服阀在线诊断方法 |
CN107844122A (zh) * | 2017-09-15 | 2018-03-27 | 中国科学院长春光学精密机械与物理研究所 | 一种宽负载条件下航空稳定平台伺服控制方法 |
CN107844122B (zh) * | 2017-09-15 | 2020-11-27 | 中国科学院长春光学精密机械与物理研究所 | 一种宽负载条件下航空稳定平台伺服控制方法 |
CN108092850A (zh) * | 2017-12-12 | 2018-05-29 | 郑州云海信息技术有限公司 | 一种基于心跳机制的集群服务器故障诊断方法与系统 |
CN111550473A (zh) * | 2019-02-12 | 2020-08-18 | 纳博特斯克有限公司 | 液压伺服阀的状态诊断方法、系统及其状态诊断装置 |
CN109915218A (zh) * | 2019-03-07 | 2019-06-21 | 东方电气自动控制工程有限公司 | 一种deh系统电液转换部件故障诊断系统 |
CN109915218B (zh) * | 2019-03-07 | 2021-09-03 | 东方电气自动控制工程有限公司 | 一种deh系统电液转换部件故障诊断系统 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN113719499A (zh) * | 2021-08-31 | 2021-11-30 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
CN113719499B (zh) * | 2021-08-31 | 2024-04-05 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106594000B (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106594000A (zh) | 一种电液伺服阀故障诊断方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN108490923A (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
CN110703738B (zh) | 监督局部线性嵌入的卫星姿态控制系统故障检测方法 | |
Mahmoud et al. | Expectation maximization approach to data-based fault diagnostics | |
Li et al. | Filter-informed spectral graph wavelet networks for multiscale feature extraction and intelligent fault diagnosis | |
Mandal et al. | Sensor fault detection in Nuclear Power Plant using statistical methods | |
CN113703422A (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN114186578A (zh) | 一种基于信号分解的燃气轮机电动执行机构故障诊断方法 | |
CN113719499B (zh) | 一种电液伺服阀智能故障诊断方法 | |
Sun et al. | Fault diagnosis of rotating machinery based on local centroid mean local Fisher discriminant analysis | |
Zhao et al. | Intelligent fault diagnosis of hypersonic vehicle based on rescnn-lstm-att | |
CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
CN113657556B (zh) | 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 | |
Sun et al. | Fault diagnosis of planetary gearbox based on signal denoising and convolutional neural network | |
CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 | |
Makansi et al. | Feature Generation and Evaluation for Data-Based Condition Monitoring of a Hydraulic Press | |
Zhou et al. | Fault diagnosis of gas turbine actuator based on improved convolutional neural network | |
Vladov | Algorithms for diagnostic and parameter of failures of channels of measurement of TV3-117 aircraft engine automatic control system in flight modes based on neural network technologies | |
CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 | |
CN102830341A (zh) | 基于rs-cmac的功率电子电路在线智能故障预测方法 | |
Baqqar et al. | A general regression neural network model for gearbox fault detection using motor operating parameters | |
Tang et al. | Multiple Engine Faults Detection Using Variational Mode Decomposition and GA-K-means |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |