论文部分内容阅读
混凝土泵车是工程机械中技术含量高、维护难度大、价格较昂贵的复杂装备之一。利用先进的物联网技术和人工智能故障诊断技术对泵车进行实时、远程、在线故障诊断，对于保障重点行业大型装备运营的技术安全，实现节能降耗和绿色环保，提高制造业的可持续发展能力具有重要的意义。本文针对目前泵车液压系统中的故障诊断问题，给出了基于物联网的泵车液压故障诊断系统方案；在综合考虑提高系统实时性、可靠性以及降低系统成本的情况下，完成了面向物联网体系结构的安全车载终端系统的搭建，并以智能故障诊断技术为理论基础，研究了适合该研究背景的智能诊断算法，将人工神经网络、微粒群优化算法、D-S证据理论、多传感信息融合理论、模糊向量机等智能信息处理方法引入泵车液压系统的故障诊断中，分别对液压系统中液压机控制子系统和动力子系统关键部位进行故障诊断。本文的主要创新点如下：(1)给出了一种基于物联网的泵车液压故障诊断系统方案，从终端平台安全方面考虑，将TPM芯片加入到车载终端中，使得车载终端具有更高的安全性。(2)提出了一种基于PSO-Elman神经网络的故障诊断方法。通过对PSO算法的惯性权重和学习因子进行改进，应用于Elman神经网络的训练学习中，使得网络在训练时间、收敛率和诊断精度方面得到提高；给出了基于PSO-H-BP神经网络的故障诊断方法，将PSO与Hopfield神经网络和BP神经网络相结合，利用PSO算法优化Hopfield网络的权值矩阵，对BP网络的输入数据进行预处理，获得稳定的网络结构，再利用BP神经网络进行故障诊断，提高网络的收敛速度和诊断准确度。最后通过实验验证了算法的有效性。(3)提出了一种基于双层FSVM模型结构的故障诊断方法，并将其应用于液压系统电磁换向阀故障诊断中，取得了良好效果；同时对模糊支持向量机的训练算法和参数选取方法进行了优化，实验结果表明，采用优化后的参数可明显提高支持向量机的学习性能。(4)提出了一种基于三级多源信息融合的故障诊断方法，采用多并行的PSO-BP和MPSO-RBF神经网络组成振动子网和温度子网进行局部诊断；给出了基于修正的D-S证据理论的多传感器时空域信息融合方法，针对本文研究背景提出了基于pl&bl的决策方法；最后，将三级多源信息融合故障诊断方法应用于液压系统动力子系统关键部位液压泵的故障诊断中进行验证。