论文部分内容阅读
液压系统作为工程车辆的核心部件，它的运行状态直接影响到整个车辆的工作，及时而准确地对其故障进行监测、预报和诊断具有重要的实际意义。液压系统工作环境恶劣，故障机理复杂多样，单一传感器获得的故障特征参数常常是模糊和不确定的。因此，需要综合利用多源故障信息，才能实现对设备全面而准确的诊断。论文重点对液压系统中的动力源液压泵的故障诊断进行了研究。通过组建有效的传感器网络，充分利用泵壳三个方向的振动信号和外泄口温度信号的特征信息，本文根据JDL模型并结合泵车液压系统故障特点设计了一个三级多源信息融合诊断系统；数据级主要对各故障数据进行特征提取和归一化，特征级通过构建4个多并行的MPSO-BP神经网络进行子网局部诊断，决策级利用改进的D-S证据理论将各子网局部诊断结果进行决策融合；最终实现了对液压泵故障的准确诊断。在系统的特征层融合中，针对PSO算法收敛精度低、易早熟和后期收敛速度慢等问题，本文提出了基于惯性权重正弦调整和自适应变异策略的PSO改进算法，使算法的收敛精度和收敛速度得到了提高，有效地避免了早熟收敛现象；同时，针对BP神经网络的梯度下降学习方法在网络学习训练过程中易陷入局部极小值等不足，利用PSO很强的全局优化能力，本文将改进的PSO算法对网络的权值和阈值矩阵进行优化，提出了一种改进的PSO-BP神经网络诊断算法，算例仿真验证了该方法的有效性。在决策层，针对D-S证据理论不能合成高度冲突证据这一问题，本文从证据源本身着手，依据多数服从少数的决策思想，提出了一种新的基于证据权重的D-S改进算法。算例仿真表明该方法能高效地融合冲突证据，且与其它改进算法相比，收敛速度更快，合成结果更理想。