Resumen

Este documento tiene como objetivo estudiar el método de diagnóstico de fallas del sistema hidráulico mecánico basado en monitoreo dinámico de inteligencia artificial. De acuerdo con las características del análisis de componentes principales funcionales (FPCA) y la red neuronal en el método de diagnóstico de fallas en el proceso de extracción de características, se estudia el método de diagnóstico de fallas que combina el análisis de componentes principales funcionales y la red neuronal BP y se aplica al diagnóstico de fallas del sistema hidráulico del coordinador. Este artículo completó principalmente las siguientes tareas: analizar la estructura y el principio de funcionamiento del sistema hidráulico mecánico, estudiar el mecanismo de falla y el modo de falla del sistema hidráulico mecánico, resumir las fallas comunes del sistema hidráulico y las fallas individuales del sistema hidráulico mecánico, y establecer la descripción del sistema hidráulico mecánico. Análisis de modo y efectos de falla (FMEA): luego, se estableció un modelo de simulación conjunto del sistema hidráulico mecánico en ADAMS y AMESim, y se determinó la señal de detección de fallas del sistema hidráulico y se comparó con los datos experimentales. Al mismo tiempo, los datos de simulación del modelo de cosimulación se compararon con los datos de simulación del modelo hidráulico en MATLAB para verificar aún más la corrección del modelo. El análisis de componentes principales funcionales se utiliza para realizar un procesamiento funcional en los datos de muestra, se extraen los parámetros de características y se utiliza la red neuronal BP para entrenar la relación de mapeo entre los parámetros de características y los parámetros de falla. Se verifica la consistencia y finalmente se completa el método de diagnóstico de fallas. Los resultados experimentales muestran que las tasas de precisión diagnóstica son de 0,9848 y 0,9927, respectivamente, la confiabilidad se mejora significativamente, cercana al 100%, y la incertidumbre es básicamente 0, lo que mejora significativamente la precisión del diagnóstico de fallas.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Método de diagnóstico de averías; Sistema hidráulico mecánico; Análisis funcional de componentes principales; Red neuronal; Señal de detección de averías; Parámetros de avería
• Keywords:Fault diagnosis method; Mechanical hydraulic system; Functional principal component analysis; Neural network; Fault detection signal; Fault parameters