從(cóng)單柱塞液壓泵(bèng)的工作過程，可以(yǐ)或者(zhě)得出統統(tǒng)液壓(yā)泵的(de)基本特點(diǎn):

　　1)具(jù)有周期性變(biàn)革的密封工作(zuò)腔.容積式(shì)液壓泵中的密(mì)封工作腔處(chù)于(yú)吸油時稱(chēng)為吸油腔，吸(xī)油(yóu)腔體積埔(pǔ)大吸(xī)人工(gōng)作(zuò)液體，完成吸(xī)油過程(chéng).工作腔(qiāng)處于(yú)排(pái)油(yóu)時稱(chēng)為壓(yā)油腔，壓油腔體積削(xuē)減排(pái)斥液(yè)體，完(wán)成壓(yā)油過程.

　　2)具(jù)有相(xiàng)應的配流(liú)機構.配流機構使吸油腔和壓(yā)油(yóu)腔(qiāng)嚴格分開(kāi).擔保液(yè)壓泵連(lián)續工(gōng)作。所示的(de)單向閥5. 6就是配(pèi)流機構。吸油時(shí)，排油單向閥5 關(guān)閉，将單向閥(fá)後(hòu)面的壓汕(shàn)管路(壓油腔)與吸油(yóu)腔離隔;壓油時(shí)，吸(xī)油單(dān)向閥 6關(guān)閉.使(shǐ)吸油管(guǎn)路(lù)(吸油腔)與壓油(yóu)腔不相(xiàng)同.液壓(yā)泵的結構事理(lǐ)不同，其配(pèi)流機(jī)構也(yě)不相同。

　　3)具有自吸能力。液(yè)壓泵可以(yǐ)或者或者(zhě)借助大(dà)氣壓力自行(háng)吸油而變(biàn)态(tài)工作的能力稱為泵的自(zì)吸能力(lì)。為了使(shǐ)液壓泵(bèng)可以(yǐ)或者或者在大(dà)氣壓力浸(jìn)染下從油(yóu)箱中(zhōng)吸油(yóu)，液(yè)壓系統(tǒng)中的(de)油(yóu)箱(xiāng)必須與大氣相同或(huò)采用密(mì)閉的充(chōng)壓油箱.

　　為(wéi)擔保(bǎo)液壓泵在(zài)最高轉速(sù)下能(néng)變(biàn)态吸(xī)油.泵的(de)吸油(yóu)口存(cún)在一個最低吸(xī)人壓力。泵的(de)吸油腔(qiāng)的壓力取決于(yú)吸(xī)油高度和吸(xī)油管路(lù)的阻(zǔ)力，當泵(bèng)的裝配高(gāo)度太高或吸油(yóu)限力(lì)太大時，泵(bèng)的吸油壓力低(dī)于最低(dī)吸人壓(yā)力，液壓泵将不(bú)克不(bú)叠(dié)充分吸(xī)滿甚(shèn)至産(chǎn)生氣(qì)穴和氣(qì)蝕。

　　由于錯(cuò)誤(wù)診斷(duàn)系統的複雜性(xìng)，将神經網絡利(lì)用于(yú)障診斷系(xì)統的(de)籌(chóu)劃(huà)中，将(jiāng)是大(dà)規模神經(jīng)網絡的結構和(hé)學習(xí)成(chéng)就。為了(le)減少(shǎo)工作(zuò)的複雜性，減少網絡(luò)學習時間(jiān)，本文将錯(cuò)誤(wù)診斷知(zhī)識湊集(jí)分解為幾個(gè)邏(luó)輯上獨(dú)立的子湊(còu)集，每(měi)一個子(zǐ)湊集再(zài)分解為若幹規(guī)則子集(jí)，爾後根(gēn)據規(guī)則子集來結(jié)構(gòu)網絡。每個(gè)規則(zé)子集都是(shì)一個邏輯上獨(dú)立的(de)子網(wǎng)絡的映射(shè)，規則子集(jí)間(jiān)的聯(lián)系，經過(guò)進程(chéng)子網絡的(de)權系(xì)矩陣表示(shì)。各個子(zǐ)網絡獨(dú)立地(dì)利用(yòng)bp學習(xí)算法分别結束(shù)學習(xí)演(yǎn)習(xí)。由于(yú)分解後(hòu)的(de)子網(wǎng)絡比(bǐ)原(yuán)來(lái)的網(wǎng)絡規(guī)模小得多(duō)且成(chéng)就局部化(huà)了，從(cóng)而使演(yǎn)習(xí)時間大為(wéi)減少。利用集(jí)成bp網絡(luò)結束液壓泵軸承錯(cuò)誤診斷的(de)信息(xī)處理(lǐ)能(néng)力(lì)源于(yú)神經(jīng)元的(de)非線性機(jī)理特(tè)性和(hé)bp算法，每一(yī)個子網絡均為(wéi)一個bp網絡，各(gè)個子網絡(luò)由(yóu)bp算法(fǎ)各自學(xué)習，學習(xí)後的結果由控制(zhì)網絡集成。bp網(wǎng)絡的學(xué)習算法(fǎ)如 把(bǎ)選取的每(měi)一個特性(xìng)參數(shù)(包括(kuò)能量特性(xìng)，幅值特(tè)性和倒(dǎo)譜包絡特性)x的(de)值映像(xiàng)到(dào)神經(jīng)網絡(luò)輸入輸入(rù)層的(de)單(dān)個節點(diǎn)上，并(bìng)對其結束(shù)正則處(chù)理：

　　xi=0.8(x-xmin)/(xmax-xmin)+0.1　　　(8)式(8)把特性(xìng)參數(shù)正則(zé)到(0.1,0.9)之(zhī)間的(de)目的(de)是避免sigmoid函(hán)數(shù)輸入值極端(duān)化 而引起學習(xí)無法收斂(liǎn)的成(chéng)就。對(8)式得到的(de)正則值完成如(rú)下運算，得到每(měi)一個神經元(yuán)的加權值和阈值(zhí)：式中，j代表(biǎo)今後(hòu)層，i代(dài)表前一層(céng)，wij代表(biǎo)連(lián)接(jiē)權值(zhí);cj代表(biǎo)今後節點(diǎn)的阈 值;fj代表輸(shū)入 。