为求解起重机突然卸载冲击液压防后倾装置的动态响应问题,提出一种液压防后倾装置特性建模方法。将液压防后倾装置简化为变阻尼缓冲模型,对模型的管路特性和插装阀特性分别进行理论分析,建立描述液压防后倾装置缓冲特性的一般方法。通过系列特性试验,分离缓冲力中的阻尼力分量,辨识出描述液压防后倾装置阻尼特性的参数。将液压防后倾装置模型作为随速度变化的虚拟力集成入起重机刚柔耦合模型中,构成起重机虚拟样机模型。通过起重机卸载冲击仿真,获得描述卸载载荷和阻尼力关系的仿真曲线,通过起重机防后倾试验,验证了仿真模型的准确性。这一试验建模方法为准确求解一类弹性结构与液压缓冲系统之间的复杂动力学响应提供参考。

针对舰船机械设备存在的低频线谱振动,设计了一种电磁作动器与液压悬置结构有效并联的电磁液压主被动复合隔振器。该复合隔振器利用电磁作动器输出力抑制低频线谱振动,液压悬置结构隔离宽频振动且实现了对电磁力的有效放大,具有占用空间小、承载能力大、输出力大等优点。对主被动复合隔振器电磁和液压悬置部分进行了建模分析,提出了考虑通道耦合振动的分布式多通道修正解耦算法,保证了滤波器权系数正确收敛。开展了多线谱激励的多通道主被动隔振控制实验,结果表明该主被动复合隔振器对3根线谱取得平均35.12,39.51和38.35 dB的衰减,控制效果显著。

针对齿轮箱故障诊断时使用单一传感器进行信号获取过程中存在信息不完整的问题,导致故障特征信息及诊断推理方法具有随机性和模糊性。利用多传感器信息融合的二阶张量特征作为输入,构建了一个支持张量机和集成矩阵距离测度(Assembled Matrix Distance Metric,AMDM)的K最近邻分类器(k-nearest neighborhood classifier,KNN)决策融合故障诊断模型。首先,对多传感器信息时频域特征层进行融合,获得二阶张量的特征样本;其次,分别构建基于集成支持张量机、KNN-AMDM的故障诊断模型,并针对两类故障诊断模型的输入,设计了两种基本概率分配赋值的转化方法,通过不断调整参与的传感器数目获得6种不同的故障征兆张量集,进而得到12种不同的初步故障诊断结果;最后,采用D-S证据理论对12个证据体提供的基本概率分配值进行融合决策,得到最终的齿轮箱故障诊断结果。实验对比表明,...

考虑相邻叶冠之间的接触摩擦作用,将扭形带冠叶片简化为自由端带有集中质量的悬臂梁,冠间接触采用带有迟滞特性的宏观滑移模型模拟,基于Timoshenko梁理论和库仑摩擦定理,提出了一种干摩擦扭形带冠叶片动力学响应的数值求解方法。基于所提方法,分析了叶片安装角和扭角对干摩擦叶片动力学特性的影响,并通过有限元方法验证了求解结果。研究结果表明随着安装角和扭角的增加,会削弱冠间接触表面的减振效果,但并不会对最优法向接触压力产生影响;并且,相比于有限元方法,所提方法在保证求解精度的情况,具有较高的求解效率。此研究结果能够为旋转扭形叶片冠间阻尼结构的设计和优化提供理论指导。

为了快速准确地实现航空发动机转子故障的分类与识别,提出了双阶自适应小波聚类方法。双阶自适应小波聚类过程是首先采用粗网格量化数据空间,找出存在聚类的空间区域,实现数据的预分选聚类;然后统计子聚类的信息,计算其二次聚类的量化值;最后对子聚类的数据空间进行自适应细划分,实现子聚类数据空间的小波聚类。应用双阶自适应小波聚类方法对航空发动机转子的正常、不对中、碰摩、松动故障进行分类与识别,结果显示9种类型被正确分类。因此表明,对于密度分布不均勻的多类型混合数据,双阶自适应小波聚类方法能够根据数据分布特点自适应的量化网格,实现故障的正确分类与识别,诊断精度显著高于传统的小波聚类方法。

从机械系统中传出的信号通常包含着不同的叠加振动成分,包括有用信息以及不可避免的背景噪声和其他频率干扰,因此波形较为复杂,并且其幅值和频率会随着时间发生变化。当背景环境较为复杂或噪声较大时,从混合信号中提取出的轴承故障特征信号更是如此。对于此类信号,模态分解算法不仅可以去除大量的高频噪声,而且还能将振动信号分解成一系列具有单一成分的模态分量,从而更好地发现振动信号的物理意义。引入一种新的轴承故障特征提取方法,首先利用变分模态分解算法先将故障信号分解为若干个成分单一的模态分量;然后利用一种新的能量算子——频率加权能量算子对含有故障频率的模态分量进行处理,得到其能量谱从而提取出轴承故障特征频率;最后以一种常见的振动筛分设备振动筛为实际案例,对其轴承故障特征进行提取,并通过对比,说明...

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。

针对振动信号的非线性、非平稳特征,提出了一种基于局部保持投影（Locality Preserving Projections,LPP）的转子故障特征提取方法。该方法利用LPP降维后保留数据内部非线性结构的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用BP神经网络作为分类器进行故障诊断。实验结果表明,LPP方法能有效提高故障诊断的准确率。

为探究不同振动频率、振幅对桥梁断面气动特性的影响，利用可在静止网格中计算动边界绕流问题的浸入边界算法，编写出数值计算程序，展开竖向正弦强迫振动桥梁断面的绕流模拟，其振幅变化范围A=0.14 D^0.25 D，振动频率变化范围Stc=0.1~0.25。研究发现:不同振幅下的桥梁断面阻力系数均在静止涡脱频率处产生峰值，桥梁断面升力系数则在此处均出现归零效应，且振幅越大，归零效应愈明显;迎风面下翼缘可能是决定桥梁断面阻力系数和升力系数随振动频率变化的关键因素，桥梁结构在不同振动频率处呈现不同的涡量分布，但是在同一振动频率处仅改变物体运动振幅，断面流场涡量分布基本保持不变;振动频率是决定表面脉动压力分布的重要因素，振幅只会改变其值的大小，不影响其脉动压力分布特性。

基于规则和实例两种推理方式各有优劣如果将两者结合起来不仅可以提高专家系统对领域知识的包含程度和利用能力还可以提高专家系统的推理速度和效率提高系统的学习能力.本文在分析了起重机液压系统的结构和功能的基础上建立了一个基于规则和实例混合推理的故障诊断专家系统对系统的结构、知识表示、混合推理机制等进行了阐述.