以某大采高液压支架立柱组合蕾形密封圈为研究对象,采用有限元法分析唇内、外倾角和唇谷高等结构参数对组合蕾形密封圈静密封性能的影响,同时研究油压压力、密封间隙、立柱活塞速度、摩擦因数对密封圈动密封性能的影响。结果表明:一定取值范围内,唇内、外倾角和唇谷高越大,静密封性能越好;油压越大、密封间隙越小,动密封性能越好;摩擦因数越大,外行程时动密封性能越好,内行程时则相反;活塞运动速度对动密封性能影响较小。为保证该组合蕾形密封圈具有良好的综合密封性能,各参数优化取值范围为:唇外倾角20°~30°,唇内倾角20°~35°,唇谷高度12.2~13.2 mm,摩擦因数小于等于0.1,密封间隙0.1~0.3 mm,油压不超过50 MPa。

针对最小解熵解卷积（ Minimum entropy deconvolution, MED）算法易受强噪声和野值的影响，引出了最大相关峭度解卷积（ Maximum correlated kurtosis deconvolution, MCKD） 的齿轮箱故障特征提取方法，克服了MED算法的不足。然而凭先验信息选取的故障周期，可能导致MCKD解卷积效果很差，因此提出了MCKD算法的最佳故障周期搜索思路，即在合适的滤波器阶数￡下，最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内，使不同步距肘关于最佳周期的最大相关峭度达到全局最优，以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(V KF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。

本文通过对ZB_1-107型斜轴式无铰泵振动、噪声的测定,根据频谱分析和相干分析的原理,确定该泵的主要噪声源,为泵的噪声治理提供了依据,并提出了改进意见。

以煤矿机械中广泛使用的ＺＢ－１０７斜轴式无铰柱塞泵为研究对象，在理论分析及试验研究的基础上，得到了该泵正常工作状态下的振动特征，为故障诊断打下了基础，用小波分析方法对常见配流副磨损这一典型故障进行的分析研究表明，利用泵体的振动领事可对斜轴泵配流副磨损故障进行有效检测。

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题，采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息，并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本，研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法，建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。

采用具有线性相位的Ｂ样条小波，应用图形显示算法并结合小波变换快速算法将信号分解到不同的频带上，且分解结果和原信号长度保持一致，可对信号进行深层次的处理，克服了传统的信号处理方法不易提取微弱信息的不足，通过对矿用斜轴式柱塞泵振动信号的分析，分离出了配流副磨损，球铰松动，缺体及泵轴支撑轴承的故障特征，为液压泵的故障诊断提供了依据，并为信噪分离，微弱信号提取及设备的早期故障诊断提供了一条有效途径。