为了降低环境噪声对滚动轴承故障特征信息提取结果的影响,并且提高诊断的准备率,提出了基于改进VMD的滚动轴承故障特征提取方法。首先应用VMD算法对采集的轴承原始信号进行分解,根据能量差曲线确定最佳的分解层数k;然后依据峭度准则,选取峭度值最大的分量作为敏感分量进行后续的分析,最后采用Hilbert算法对选取分量进行解调分析;从最后得到的谱图中便可准确地提取到故障特征频率。通过对仿真和实验室信号的分析,证明了改进VMD算法的有效性与可行性。

提出了一种循环预分配法,用于对3部10层群控电梯进行调度,调度算法是基于时间最优,即在最短的时间内响应乘客的呼梯请求。为了实现时间最优化调度,将时间等效为距离后进行计算,然后通过预分配消除距离误差。将3部电梯的总距离进行比较,总距离最小的那部电梯就是最优解,将此请求信号暂时分配给这部最优电梯,即预分配。由于这种分配存在误差,所以采集记忆数组中一直保存着这个请求信号,并且不停地循环计算着采集记忆数组中所有信号在3部电梯中的总距离并找出最优解。最后使用TIA-Portal v13软件编程在西门子PLC 1200控制器上对该方法进行了验证,并在虚拟电梯仿真软件进行了评测,加入外选按键记忆数组循环预分配的方法,乘客的候梯时间和乘梯时间相对于直接分配来说都有大幅度下降,运输乘客数量显著提升。测试结果表明,该方法成功地解决了乘

观察2205双相不锈钢固溶处理后的组织,并对组织中铁素体与奥氏体的两相比例进行统计分析;对2205双相不锈钢经过不同温度的固溶处理、冷轧变形后,在一定条件下进行恒温拉伸试验,观察研究材料的超塑性延伸率随着固溶温度和两相比例的变化规律。试验结果表明,当固溶温度从1050℃升高到1100℃时,奥氏体相所占比例变化不大,材料的延伸率变化也不明显;当固溶温度从1150℃增加到1350℃时,奥氏体相比例从42.76%降低到26.07%,铁素体与奥氏体的两相比变大,其延伸率也逐渐增大。冷轧变形量为80%的材料,其延伸率从560%增大到1690%;冷轧变形量为85%的材料,其延伸率从810%增大到1500%。

本文在可压缩材料简化屈服准则的基础上,根据塑性平衡方程和特征线理论推证出了可压缩材料轴对称问题的滑移线应力方程,提出了应力方程数值差分解法.

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分，造成信号中表征故障信息的周期冲击成分难以提取，无法准确有效的对滚动轴承进行故障诊断。针对这一问题，提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数，其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分，最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解（VMD）中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题，提出基于变分模态分解（Variational Mode Decomposition，VMD）和最小熵解卷积（Minimum Entropy Deconvolution，MED）的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解，得到多个模态分量，由于噪声的干扰，很难从各个模态分量中提取有效的故障特征信息；然后根据相关系数准则，选取与原始信号相关系数较大的模态分量进行重构，再对重构后的信号进行MED降噪处理；最后对降噪处理后的信号进行Hilbert包络解调，从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明，该方法可以有效地降低噪声的影响，精确地提取滚动轴承微弱的故障特征信息。

滚动轴承故障产生的初期，信号中的冲击成分受到严重的噪声干扰，导致故障信号的周期特征难以提取。针对这一问题，提出基于局部均值分解（LMD）算法和最大相关峭度反褶积（MCKD）算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解，选取与原始信号相关系数较大的乘积函数（PF）分量进行重构；然后应用MCKD算法对重构信号进行降噪，突出周期冲击成分；最后对消噪后的信号进行Hilbert包络处理，从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析，证明了该方法的有效性。