为了缩短船用螺旋桨的再设计周期，降低再设计难度，针对船用螺旋桨提出了一种基于逆向设计软件Geomagic Design X和三维建模软件UG的逆向建模方法。详细介绍了螺旋桨的逆向建模过程和主要操作流程，通过比较放样和面片拟合生成叶片NURBS曲面的方法和原理，得到一种合适的叶片曲面作为叶片重构的基础。采用Geomagic Quality软件对螺旋桨进行整体精度分析，结果发现螺旋桨重构模型和螺旋桨点云数据之间的偏差在允许范围之内，验证了此螺旋桨逆向建模方法的可行性，同时为类似的逆向建模提供了思路。

随机风载引起的外部激励会极大地影响风电传动系统的疲劳寿命。利用考虑尾流效应的四分量模型模拟风电场随机风速,结合有限元法分析得到风电行星轮系的疲劳寿命。在此基础上,基于子模型法研究了太阳轮单齿和双齿根裂纹深度、长度和延伸角对风电行星轮系疲劳强度的影响。最终发现裂纹尺寸参数对风电行星轮系疲劳寿命的影响程度为裂纹深度>裂纹长度>裂纹延伸角。双齿根裂纹对疲劳寿命的影响远大于单齿根裂纹的影响,且双齿根裂纹状态下先啮入齿的疲劳寿命远小于单齿根裂纹状态,后啮入齿疲劳寿命略大于单齿根裂纹状态。相关研究为优化风机服役性能提供了理论依据。

针对行星齿轮箱结构和运行工况复杂,导致信号故障特征提取困难的问题,通过分析行星轮系振动机理,初步推导出含故障齿轮箱振动信号频谱特征;运用谐波乘积谱(Harmonic product spectrum,HPS)与边带乘积谱(Sideband product spectrum,SPS)的方法,在噪声干扰以及故障冲击不明显的条件下,准确提取到了仿真信号的故障特征频率。进一步采集不同运行工况、不同故障状态下的行星齿轮箱振动信号,将提取后的故障特征输入到卷积神经网络中进行故障识别,成功获取到齿轮箱的故障信息,证明了该方法在行星齿轮箱故障诊断方面的可行性。

针对行星齿轮箱故障诊断过程中的故障特征向量区分度差、诊断成功率不够高等问题,提出了一种基于局部均值分解(Local mean decomposition,LMD)排列熵和BP神经网络结合的方法。对原始信号进行LMD,获得包含主要信息的PF分量,计算排列熵值,构造特征向量,利用提取的特征向量训练BP神经网络,完成故障模式识别。以EMD排列熵方法和无量纲分析方法作为对比组,实验验证说明,提出方法提取到的不同工况的特征向量区分度更强,故障诊断效果更好;且当训练组数发生变化时,提出方法的综合表现更优秀。

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。

车载液压缸作为液压传动系统关键零部件之一其动作可靠性直接影响液压系统工作性能好坏。从液压缸可靠性设计出发分析了影响车载液压缸运行可靠性的主要因素并在简要介绍车载液压缸组成结构的基础上对液压缸的主要结构参数进行了设计与强度校核。