针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更...

针对经验小波变换（empirical wavelet transform,简称EWT）在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析（probabilistic principal component analysis,简称PPCA）结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。

为解决获取起重机臂筒固有焊接变形的不便利及复杂性问题,应用支持向量机模糊理论融合技术对起重机臂筒焊接变形测量方法进行研究,并采用遗传算法对支持向量机的核参数及惩罚因子进行寻优,以误差函数为评价指标,最终确定了核参数σ=1.8和惩罚因子c=26.将该测量模型应用于焊接变形的预测,同时采用智能图像检测法对相同预测点进行测量对比,结果显示所建立的融合模型对起重机臂筒焊接变形的测量和智能图像检测法的误差在5%以内,验证了该测量方法的准确性。

针对某型车用爪极发电机的噪声问题,基于试验对其噪声源进行了识别与分析。首先,测试了该型号4台不同结构（是否带风扇）的爪极发电机在空载和负载时的振动噪声;然后,利用阶次分析的方法识别了机械噪声、气动噪声和电磁噪声,并通过流场仿真和电磁场理论解释了气动噪声和电磁噪声产生的机理;最后,对各噪声源的贡献量进行了分析。结果表明：爪极发电机电磁力会产生6k（k=1,2,…）阶电磁噪声;冷却风扇、转子和开槽定子均会产生气动噪声;电机运行时中低转速以36阶电磁噪声为主,高转速阶段以8,10,12阶气动噪声为主;机械噪声由于其幅值较小,对总体噪声影响不大。本研究对发电机的设计和优化具有一定的指导意义。

提出了一种适用于车轨耦合系统的模型更新方法,其更新过程主要由两大步骤来实现：a.更新列车运行速度;b.更新扣件刚度。首先,建立了地铁列车车轨耦合系统模型,采用迭代的方法求解系统动力响应;其次,选取地铁普通整体道床轨道线路开展测试以获得现场实测数据,随后利用车轨耦合系统模型发现钢轨位移动力响应受扣件刚度影响较为明显,而受扣件阻尼影响较小。更新列车运行速度的主要目的是使激振主频更加吻合现场实测状况,在此基础上更新扣件刚度可使频域幅值更为接近。钢轨位移动力响应的频谱由列车周期荷载的一阶多次频率控制,这是由于轨道结构的多点连续支承特性所造成的。通过对比模型更新后的模拟结果与测试结果,验证了所提模型更新方法的可行性。研究结果表明,更新列车运行速度及扣件刚度是进行地铁列车与轨道耦合系统模型更...

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引人到局部均值分解(localmean decomposition,简称LMD)分解中,提出了一种基于EMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于EMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引人了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法’采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等I个状态表征参数的原始信息,采用EPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。

试验研究了某国产压水堆核电机组(CPR1000)电动主给水泵压力级转子热启动过程的振动特性,并提出优化运行措施.采用高采样率的振动数据采集设备,测试电动主给水泵在50%负荷、100%负荷联锁启动及再循环工况热启动时压力级泵的振动信号,发现启动过程中压力级转子存在振动较快上升然后缓慢下降至稳定的现象.通过分析振动趋势图、振动频谱图及振动轴心轨迹图等认为这属于渐变性强迫振动,振动变化至稳定的时间约为20min.根据压力级转子的结构特点,建立带初始热弯曲的Jeffcott转子动力学模型,分别研究弯曲变形和质量偏心的影响,认为压力级转子热备用期间存在暂态热弯曲是导致渐变性热致振动的主要原因,且通过实测壳体端面的热成像图得到验证.电动主给水泵的振动特性表明,热启动过程中应分别设置瞬态振动延时保护与稳定运行期间的振动定值保护....

针对旋转机械运行转速波动导致信息获取及诊断决策困难问题,以非平稳信号的瞬时频率估计为切人点,结合快速路径优化算法进行非平稳信号的瞬时频率估计,以实现转速波动信息的准确获取。基于参数化时频分析理论的短时阶比原理,依据估计的振动信号瞬时频率变化函数构造匹配旋转算子,将转速波动信号的时频特征进行旋转,获得各时频窗内的短时阶次谱,进而完整保留转速波动信号的瞬态信息。仿真及实验结果表明,该方法可以准确提取出旋转机械转速波动工况下的状态信息及故障特征,为后续故障精密诊断奠定基础。

针对传统柔性转子动平衡方法需要多次添加试重、多次启动而导致平衡效率低、安全性无法保证的问题,提出了一种高速柔性转子无试重模态动平衡方法.该方法借助有限元软件计算得到转子的模态特征,结合测量得到的振动信息,计算出平衡配重的大小和相位.为了将此方法应用于工程实际,研制了一套柔性转子无试重模态动平衡软、硬件测试系统.将该系统与国外同类先进测试设备SIRIUS对比,两者之间的相位测量误差为2.376°.转速计量表明,该测试系统的转速测量范围为0~60kr/min,最大测量误差为10%.应用该系统对跨二阶双盘柔性转子实施了无试重动平衡试验,平衡后一阶振幅下降60.6%,二阶振幅下降74%.试验结果表明,所研制的无试重模态动平衡系统可有效应用于高速柔性转子的动平衡,提高平衡效率和安全性。