由于特殊焊缝的内部结构复杂型,面临检测图谱成像质量差,缺陷识别定位困难等问题,选择最优的检测工艺参数对提高缺陷图谱成像质量成为研究重点。为了提高成像分辨率方便检测人员对缺陷图谱分析,基于CIVA仿真软件将试块进行三维建模,验证模型的适用型,并以晶片数量、探头频率、焦距作为独立变量,波峰波谷幅值差为响应量对试块进行仿真,运用响应面法对晶片数量、聚焦深度、探头频率工艺参数进行优化研究,并构建实验平台进行实验对比。结果表明当横向分辨率最大即波峰波谷幅值差达到最大时,最终确定优化后的晶片数量为44、探头频率15MHz、焦距为40mm。

受随机风载、间歇式工作机制、基座变形等耦合因素作用,极易诱发双馈式风电机组高速端膜片联轴器早期不对中潜隐性故障,对此在不对中理论分析基础上,基于SolidWorks与Adams构建仿真模型,利用风速转换公式计算高速端模拟转速,获取不同平行不对中量下的运动响应,借助于机械转子故障模拟试验台搭建测试系统开展实验研究。仿真结果显示频谱出现1倍频和2倍频,幅值随不对中量的增大而增大,且轴向力的倍频幅值变化明显。实验结果表明当轴承座时域峭度在4左右,存在冲击性振动,图谱显示径向水平1倍频和2倍频幅值随着转速增加而增大,径向垂直与轴向在不对中量大于0.4mm时,1倍频随转速升高而增大;其与理论分析、仿真结果的倍频特征变化有较好的一致性。

针对行星齿轮箱振动信号维度高,传统故障诊断方法识别精度低的问题,提出一种基于局部切空间排列算法(Local Tangent Space Alignment,LTSA)和深度置信网络(Deep Belief Network,DBN)的行星齿轮箱故障诊断方法。首先,利用PCA算法预估高维数据的内在维度,确定目标数据的内在维数;其次,根据目标数据的内在维数结合LTSA算法对高维数据集进行约简,并划分测试集和训练集;最后,利用训练集训练DBN模型参数,获得行星齿轮箱故障辨识模型,并将测试集输入辨识模型实现行星齿轮箱故障辨识。实验结果表明,所提方法实现高维数据降维的同时,也提升了智能诊断模型的分类精度。

针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积(MCKD)和变分模态分解(VMD)进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。

超声相控阵全聚焦成像算法作为一种后处理成像技术,虽然具有成像精度高、灵活性好的优势,但由于数据量大、计算时间长等问题,该项技术的实际工业应用受到了极大限制。针对该算法的不足,这里提出了基于均匀稀疏矩阵的全聚焦成像算法,通过减少矩阵数据量来提高成像效率。结果表明相较于传统全聚焦成像算法,基于均匀稀疏矩阵的全聚焦成像算法极大的压缩了数据规模,计算速度同比提高约38%,为全聚焦快速成像提供了一种参考方法。

为了提高我国中高压液压系统整体质量,技术人员结合生产技术经验与文献研究内容,围绕接头技术原理与目前应用中的主要故障原因;生产中遇到的主要问题与技术现状;未来发展研究主要趋势等三个层面,对液压管接头进行了专项技术研究。这一研究的开展一方面有利于提升我国液压系统整体生产质量的提升;另一方面也为其在未来技术发展指明了方向。

为了提高粒子群算法的稳定性，改善陷入局部最优的弊端，提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析。然后找到粒子群算法收敛的约束条件，进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算予扰动项，其对粒子施加扰动，能够有效的抑制算法陷入局部最优问题，使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证，实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能，与标准粒子群算法相比，改进后的粒子群算法收敛精度高、鲁棒性强。

针对行星齿轮箱振动信号复杂时变调质特点使其＂难表征＂,致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解（Ensemble local mean decomposition,ELMD）的能量熵与人工鱼群算法（Artificial fish swarm algorithm,AFSA）寻找支持向量机（Support vector machine,SVM）最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数（Product function,PF）。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。