摘要：由于液压泵运行的复杂特性,单一的传感器信号源检测存在故障识别低的问题。为了提高对液压泵复杂条件下的故障诊断能力,设计了一种基于多粒度级联森林(gcForest)算法的液压泵多传感信息融合健康状态诊断方法。在深度神经网络的多粒度分级方法中引入到森林分类器中实施运算,层叠森林各层次中都包含了传统结构与完整的随机森林分类器。开展实验平台测试分析,研究结果表明:利用多源数据的多粒径串级森林模型实现液压泵真实工况的精确诊断,使液压泵故障诊断的精度达到了99.6%,尤其适合于高维的重要特征提取。选择压力+流量特征作为指标不能达到理想诊断结果;以温度与流量参数组合获得预测精确率和召回率较高;选取压力+流量+温度组合达到几乎接近100%的诊断准确率。

摘要：为了进一步提高齿轮裂纹故障诊断精度,设计了一种基于KPCA和PSO-SVM方法的齿轮裂纹故障信号诊断方法。对时频域进行特征降维处理时通过主成分分析(PCA)的方式实现高维信号噪声。为了抑制支持向量机(SVM)算法分类精度低问题,引入粒子群算法(PSO)进行加强,并使SVM算法获得更优的核函数。研究结果表明:以SVM-PSO算法进行处理时相对其它算法表现出了更高的精度,能够满足优异的分析性能。以SVM-PSO算法进行处理时的精度最高,能够满足高稳定性要求,所需计算时间也较合适,PSO方法有助于算法分类精度及效率都获得显著提升。样本数对处理时间影响很大,综合判定训练样本数设置1600是相对比较合理的。采用时域特征时会导致分类精度下降,外频域特征相对时域特征可以达到更高的精度。