原裝MOOG伺服閥性能曲線圖
美國MOOG穆格伺服閥在線特征向量的提取
利用上述小波包技術對伺服閥的開口度信號進行聯(lián)合時頻分析。作者采集了正常到zui終因球頭過度磨損而損壞的伺服閥開口度信號，分別對正常、中間和損壞狀態(tài)進行5 層小波包分解。圖4 列出了第2、3、6、16、24 和31 頻帶上的圖譜。圖中橫坐標為一個道次的時間，單位為s，縱坐標為開口度。比較分析三種狀態(tài)的伺服閥開口度發(fā)現，損壞的伺服閥的信號分解后在各個頻帶上的變化頻率要大于正常狀態(tài)，但無法直觀判斷哪個頻帶對伺服閥狀態(tài)的變化zui靈敏。為此需要進一步進行實驗研究。實驗證明，5 層小波分解得到的結果結合神經網絡狀態(tài)識別方法能較好地區(qū)分出伺服閥的狀態(tài)，故基于伺服閥開口度獲得32 個特征量，同時結合伺服閥的在線檢測參數 δs 和pl，提取出伺服閥在線特征向量[ew1，ew2，…，ew32，δs，pl]。但是，過多的特征量將對在線診斷效率產生較大的影響，因此需要對特征量進行約簡。
美國MOOG穆格伺服閥的動態(tài)故障診斷，需要對伺服閥的在線工作特性進行研究，在此基礎上對其工作特征信息進行在線提取。這方面的研究目前還很少，文獻[6]提出了用小波分析的方法來構造奇異信號的提取器，應用于伺服閥的故障診斷中。文獻[7]運用動態(tài)神經網絡對伺服閥建立了動態(tài)模型仿真，并進行實時監(jiān)控，在系統(tǒng)發(fā)生故障時可對故障源準確定位。前者對伺服系統(tǒng)的實時信號進行采集，并與正常情況下的標準信號分別進行離散小波變換后對比，然后在提取器中做信號重構并輸出異常成分，從而達到對系統(tǒng)故障的實時診斷效果。后者的動態(tài)診斷性能體現在對系統(tǒng)的位置、壓差等連續(xù)信號進行實時監(jiān)控檢測，并與系統(tǒng)原有信號生成故障殘差，從而動態(tài)監(jiān)測系統(tǒng)故障。作者運用小波包分解結合系統(tǒng)實時檢測選取適當的特征向量，并借助粗糙集簡化特征向量維數，動態(tài)監(jiān)控系統(tǒng)運行狀態(tài)，通過訓練后的神經網絡對系統(tǒng)發(fā)生的故障進行動態(tài)檢測。
美國MOOG穆格伺服閥狀態(tài)信號的分析和選擇
所研究的伺服閥為多級伺服閥，一個雙噴嘴擋板的二級先導閥和一個大功率輸出級滑閥的主閥。伺服閥把微小的電信號通過力位移轉換器 ( 力矩馬達)變?yōu)槲⑿〉奈灰菩盘枺儆们爸梅糯笃靼盐⑿〉奈灰菩盘栟D換為推動滑閥運動的壓力信號。滑閥借助閥芯的位移輸出很大的流體動力信號。
原裝MOOG伺服閥性能曲線圖
美國MOOG穆格電液伺服閥的在線故障診斷長期以來都是重大裝備性能維護中亟需解決的難題之一，作者對伺服閥的動態(tài)特征信息的在線提取方法進行了研究:
( 1) 基于伺服閥的工作特性，提出了一種反映伺服閥動態(tài)特征的狀態(tài)信號選取方法。
( 2) 通過對伺服閥閥芯開口度的時頻聯(lián)合分析，結合所選取的伺服閥特征參數，提取出反映伺服閥動態(tài)特征信息的特征向量。
( 3) 基于粗糙集理論對特征量進行了特征約簡，大大提高了伺服閥異常狀態(tài)在線識別的效率。通過人工神經網絡對伺服閥性能在線診斷的實驗結果表明: 基于所提出的伺服閥動態(tài)特征信息在線提取方法，能有效判斷伺服閥的工作狀態(tài)，為電液伺服閥的在線故障診斷奠定了基礎，對實際伺服閥的使用和維護具有指導意義。進一步的研究將是通過伺服閥故障模式的積累，對伺服閥的潛在故障作出診斷和預測，為伺服閥的維護提供更加有效便捷的手段。
美國MOOG穆格電液伺服閥是電液伺服控制中的關鍵元件，其性能關系到整個伺服系統(tǒng)的控制精度和響應速度。當前，伺服閥的故障診斷仍以離線為主，缺乏在線診斷的有效手段。根據伺服閥的工作特性，提出一種反映伺服閥動態(tài)特征的狀態(tài)信號選取方法; 通過對伺服閥閥芯開口度進行時頻聯(lián)合分析，結合所選取的伺服閥特征參數，提取出反映伺服閥動態(tài)特征信息的特征向量; 采用粗糙集理論對特征量進行約簡以提高在線診斷效率。基于人工神經網絡的伺服閥性能在線診斷的實驗結果表明: 所提取的特征向量能夠準確反映伺服閥動態(tài)特征信息，有效判斷伺服閥的異常狀態(tài)，為電液伺服閥的在線故障診斷提供了參考。
原裝MOOG伺服閥性能曲線圖 上海維特銳是一家專業(yè)從事工業(yè)系統(tǒng)自動化，集科技、設備供應，工程、貿易為一體的綜合性企業(yè)，公司主要銷售德國、歐美、日本、韓國、中國臺灣等精良的工控元件、工控自動化等產品。 |
