五轴龙门加工中心在现场安装过程中,地脚螺栓安装预紧力导致机床床身变形将影响加工中心的几何精度,而产生的应力分布特性将影响加工中心的精度保持性。论文在分析螺栓预紧模型的基础上,提出了基于最小变形安装误差和均匀螺栓结合面压力分布的地脚螺栓组分步预紧工艺方法,并量化分析了预紧顺序、分步加载预紧步数以及预紧力分配比例对于导轨安装面几何精度、结合面压力分布均匀性以及精度保持性的影响。仿真结果表明,该方法能够实现五轴龙门加工中心地脚螺栓组快速,有效的安装,解决了传统经验安装效率低,精度难以保证的问题。

针对精密机床装配过程中导轨基面静变形对几何精度的影响，提出一种预先消除该静变形的方法，即对整机进行静力学分析，获得装配后导轨基面的静变形，通过调整支撑方式使该变形在装配前呈现，便于将此变形提前消除。以一精密卧式加工中心为例，详细阐述了该方法，该方法的关键是通过优化支撑方式获得导轨基面最终静变形。以支撑点的定位尺寸为设计变量，采用正交试验的设计方法选取样本点构建BP神经网络模型，利用遗传算法对支撑位置进行优化，使导轨基面呈现目标变形。结果表明，采用优化后的支撑方式，

采用2个自由度“准刚体模型”,在轴承中心轴向位移和径向位移已知的条件下,用力法求解出滚动体与轴承内外圈之间的接触力,进而求出轴承的径向反力、轴向反力与反力矩。讨论了滚动体离心力、陀螺力矩以及滚动体位置对滚动轴承中心位移与轴承反力关系的影响。计算结果表明轴承中心轴向位移、径向位移增加导致轴承径向、轴向反力显著增加,轴承可视为非线性硬弹簧;滚动体离心力和陀螺力矩作用,使得轴承的径向反力和轴向反力减小,内外圈接触角变化;滚动体位置变化使得轴承径向反力与轴承反力距的变化幅度最大可达1.92％。

为有效识别曳引机减速器的故障特征频率,提出基于改进固有时间尺度分解（ITD）和切片双谱的故障诊断方法,采用分段三次Hermit插值求取信号的包络线,将减速器故障信号分解为若干个固有分量,选取相关分量并求取切片双谱,通过对比正常状态下频谱图与切片双谱,在剔除非二次相位耦合信息的基础上找到故障特征频率。通过仿真验证和诊断实例证明改进ITD和切片双谱能够有效剔除非二次相位耦合信息,实现对故障特征的准确提取。

为研究复杂工况参数（主轴转速、进给量、切削深度等）对车削振动的动态耦合性影响，提出一种敏感点振动测试分析方法。以轴类零件数控车削加工工艺系统为研究对象，在工艺系统数字样机中加入复杂工况模型进行仿真测试以确定振动敏感点和不同工况下敏感点的振幅频率动态响应。实验结果表明：相对于主轴转速和切削深度，进给量对车削振动的影响最大，与数值模拟结果一致。

为了提高磁轴承的承载力,同时考虑损耗、临界转速、控制刚度等问题,应对磁轴承的结构尺寸进行最优设计。本文将果蝇优化算法引进到飞轮储能用径向磁悬浮轴承的优化设计中,以尺寸参数为优化变量,以承载力、体积和轴向长度为优化目标,对径向磁悬浮轴承进行多目标优化。通过优化,径向磁悬浮轴承的承载力提高了50%,轴向长度和体积分别减小了30.6%和19.3%。结果表明,本文设计的优化算法简单有效,减小了优化工作量,具有普遍适用性。

螺栓连接形式多样,尤其是当对某些部位有密封、消噪等要求时,会在螺栓连接中夹入非金属垫片。由于非金属垫片硬度范围广,在使用的过程中选择空间大,但实际应用时对垫片的硬度的选取并没有统一的规范造成产品质量参差不齐,存在安全隐患。为了探究非金属垫片的硬度对螺栓连接松动寿命的影响,选取了厚度为20 mm,邵尔D硬度分7、10、15的3种硬度进行探究性试验,并与不含非金属垫片的螺栓试验进行了对比,结果表明：硬度高的非金属垫片对螺栓预紧力保持效果更好。

机械故障中的轴承故障具有强的非线性特征，其故障特征提取具有一定的困难，针对此问题提出了一种基于多脉冲激励法下的Volterra级数核的故障特征提取方法。通过系统的输入输出信号并建立非线性系统的Voherra级数模型，利用时域和频域的低阶核进行轴承所处状态的对比，进而分析是否处于故障状态。以美国西储大学滚动轴承故障为例来验证该算法，应用小波算法和多脉冲激励法进行对比，得出多脉冲激励法能够较为方便准确地提取轴承的故障特征。

转动惯量决定了动态试验过程的客观性和有效性,电模拟在可控和可调性方面优于机械飞轮组模拟,是未来动态试验中惯量模拟的主流。为展现机械转动惯量电模拟技术的研究成果和促进技术进步,在阐述机械转动惯量电模拟原理的基础上分析了该技术在汽车传动系统试验台和风力机动态特性模拟领域中应用的技术特征,根据参与控制的信号将已研究的控制方法归纳为角加速度控制法、扭矩控制法和转速跟踪控制法,并分析了这些控制方法的特点和存在的问题,从工程应用的角度提出进一步研究需要考虑实际系统中的非线性摩擦及弹性特性、控制所需信号的实时检测、系统延迟的影响及补偿方法。

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。