原装MOOG伺服阀性能曲线图
美国MOOG穆格伺服阀在线特征向量的提取
利用上述小波包技术对伺服阀的开口度信号进行联合时频分析。作者采集了正常到zui终因球头过度磨损而损坏的伺服阀开口度信号，分别对正常、中间和损坏状态进行5 层小波包分解。图4 列出了第2、3、6、16、24 和31 频带上的图谱。图中横坐标为一个道次的时间，单位为s，纵坐标为开口度。比较分析三种状态的伺服阀开口度发现，损坏的伺服阀的信号分解后在各个频带上的变化频率要大于正常状态，但无法直观判断哪个频带对伺服阀状态的变化zui灵敏。为此需要进一步进行实验研究。实验证明，5 层小波分解得到的结果结合神经网络状态识别方法能较好地区分出伺服阀的状态，故基于伺服阀开口度获得32 个特征量，同时结合伺服阀的在线检测参数 δs 和pl，提取出伺服阀在线特征向量[ew1，ew2，…，ew32，δs，pl]。但是，过多的特征量将对在线诊断效率产生较大的影响，因此需要对特征量进行约简。
美国MOOG穆格伺服阀的动态故障诊断，需要对伺服阀的在线工作特性进行研究，在此基础上对其工作特征信息进行在线提取。这方面的研究目前还很少，文献[6]提出了用小波分析的方法来构造奇异信号的提取器，应用于伺服阀的故障诊断中。文献[7]运用动态神经网络对伺服阀建立了动态模型仿真，并进行实时监控，在系统发生故障时可对故障源准确定位。前者对伺服系统的实时信号进行采集，并与正常情况下的标准信号分别进行离散小波变换后对比，然后在提取器中做信号重构并输出异常成分，从而达到对系统故障的实时诊断效果。后者的动态诊断性能体现在对系统的位置、压差等连续信号进行实时监控检测，并与系统原有信号生成故障残差，从而动态监测系统故障。作者运用小波包分解结合系统实时检测选取适当的特征向量，并借助粗糙集简化特征向量维数，动态监控系统运行状态，通过训练后的神经网络对系统发生的故障进行动态检测。
美国MOOG穆格伺服阀状态信号的分析和选择
所研究的伺服阀为多级伺服阀，一个双喷嘴挡板的二级先导阀和一个大功率输出级滑阀的主阀。伺服阀把微小的电信号通过力位移转换器 ( 力矩马达)变为微小的位移信号，再用前置放大器把微小的位移信号转换为推动滑阀运动的压力信号。滑阀借助阀芯的位移输出很大的流体动力信号。
原装MOOG伺服阀性能曲线图
美国MOOG穆格电液伺服阀的在线故障诊断长期以来都是重大装备性能维护中亟需解决的难题之一，作者对伺服阀的动态特征信息的在线提取方法进行了研究:
( 1) 基于伺服阀的工作特性，提出了一种反映伺服阀动态特征的状态信号选取方法。
( 2) 通过对伺服阀阀芯开口度的时频联合分析，结合所选取的伺服阀特征参数，提取出反映伺服阀动态特征信息的特征向量。
( 3) 基于粗糙集理论对特征量进行了特征约简，大大提高了伺服阀异常状态在线识别的效率。通过人工神经网络对伺服阀性能在线诊断的实验结果表明: 基于所提出的伺服阀动态特征信息在线提取方法，能有效判断伺服阀的工作状态，为电液伺服阀的在线故障诊断奠定了基础，对实际伺服阀的使用和维护具有指导意义。进一步的研究将是通过伺服阀故障模式的积累，对伺服阀的潜在故障作出诊断和预测，为伺服阀的维护提供更加有效便捷的手段。
美国MOOG穆格电液伺服阀是电液伺服控制中的关键元件，其性能关系到整个伺服系统的控制精度和响应速度。当前，伺服阀的故障诊断仍以离线为主，缺乏在线诊断的有效手段。根据伺服阀的工作特性，提出一种反映伺服阀动态特征的状态信号选取方法; 通过对伺服阀阀芯开口度进行时频联合分析，结合所选取的伺服阀特征参数，提取出反映伺服阀动态特征信息的特征向量; 采用粗糙集理论对特征量进行约简以提高在线诊断效率。基于人工神经网络的伺服阀性能在线诊断的实验结果表明: 所提取的特征向量能够准确反映伺服阀动态特征信息，有效判断伺服阀的异常状态，为电液伺服阀的在线故障诊断提供了参考。
原装MOOG伺服阀性能曲线图

上海维特锐是一家专业从事工业系统自动化，集科技、设备供应，工程、贸易为一体的综合性企业，公司主要销售德国、欧美、日本、韩国、中国台湾等精良的工控元件、工控自动化等产品。