液压泵作为液压系统的动力元件，其性能直接影响液压系统的工作状况。据统计，液压泵70%以上的故障是由于磨损污染造成的。随着液压系统向着高压化方向发展，油液污染导致的液压泵磨损愈加显著，因此实时监控磨损特征量、及时得到剩余寿命预测值，可以在保障液压系统安全的情况下有效使用液压泵，对于液压系统实现视情维修有重要意义。目前国内对液压泵磨损状况的监控主要是利用光谱或铁谱数据分析油液成分和颗粒物。由于液压泵型号材料以及工作油液不同，需要建立丰富的油样数据库才能实现准确的磨损状况预测，很难推广应用。有些文献采用轮廓仪测定摩擦副各典型工作区域的微观形态，但必须拆卸液压泵，非常不便。液压泵在工作时，各配对摩擦副存在高速相对运动并由此产生磨损。磨损随工作时间增长而逐渐累积，当积累到一定程度时，润滑油膜的建立趋于不稳定，泵内泄漏量逐渐增大，最终导致泵出口流量和容积效率降低，不能满足使用要求。实验证明，在相同工况下，回油流量与最深的划痕有近似线性的关系，因此可选用回油流量作为反映液压泵磨损状况的敏感信号。常用的时间序列预测方法存在各自固有的缺陷[5]，如AR/ARMA等传统方法精度不高，且容错性较差，只适合短区间预报；神经网络结构选择以经验为主，存在过学习和欠学习问题，且容易陷入局部极小。支持向量机建立在统计学理论、VC维理论和结构风险最小原理基础上，得到的是全局最优解，且具有较好的泛化性能。多尺度分解方法，如经验模式分解、小波分解等，能从不同尺度反映数据的内部特征。相空间重构能有效地挖掘时间序列内在联系。将上述方法结合起来，用于柱塞液压泵回油流量预测，通过实验验证这种方法的可行性与优越性。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
