滚动轴承是大型机械设备的重要部件,起着非常重要的作用。当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命。时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用。提出了一种全新的时频域特征提取方法——同步挤压提取变换。该方法主要包含两个步骤首先,使用同步挤压变换将信号大部分能量聚集到多个小频带范围内,实现信号能量的初步聚集;然后,在同步挤压变换结果中引入一个频率提取算子,该算子可以提取出每个小频带内与信号时变特征最相关的信息并将其保留,从而实现信号能量的再次聚集。仿真信号的分析验证了该方法的可行性。通过对实际轴承信号的分析发现,与先前...

齿轮副的时变啮合刚度(Time-varying meshing stiffness,TVMS)是机械动力学分析中一个极为重要的参数,其准确程度直接影响着动力学分析结果的准确性。首先,从理论角度推导了剪切刚度的计算公式,并在案例分析中应用,将求得结果与有限元分析结果进行对比,结果显示相差较小;然后,建立了一种新的裂纹故障模型——轮齿双侧非对称裂纹模型;在基于精确全齿廓的能量法基础上,推导了轮齿双侧裂纹模型的时变啮合刚度计算公式,分析了裂纹形状参数对时变刚度的影响;最后,通过有限元法(Finite element method,FEM)进行了分析验证。结果表明,有限元法和能量法计算的结果基本一致。

当齿轮产生点蚀故障时,其时变啮合刚度变化导致的振动响应特征是实现点蚀故障诊断的重要依据,而准确的齿轮几何模型对于齿轮时变啮合刚度的计算精度具有重大意义。推导了内、外啮合齿轮的齿廓方程,提出了基于全齿廓的行星齿轮点蚀故障时变啮合刚度计算模型,有效解决了简化模型中需要齿数判断和精度较差的问题,提高了行星齿轮时变啮合刚度计算精度,为行星齿轮点蚀故障的动力学建模、故障机理分析及疲劳寿命分析奠定了理论基础。

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。

对工业设备中的滚动轴承进行故障诊断时,被测信号经常受到高频噪声和间歇噪声的干扰,导致信号分解和特征提取的精度较低。为解决此问题,提出一种基于总变差降噪(TVD)和改进的局部均值分解(LMD)的方法。采取总变差方法对信号进行降噪处理,选取合适的正则化参数,使得降噪后的信号在具有高信噪比的同时具有较低的均方根误差。对降噪后的信号进行局部均值分解,根据互相关系值和峭度选取最佳的PF分量,进行包络分析,实现对故障特征的提取。对实测信号进行实验验证。结果表明:所提方法可以达到有效的降噪效果,能准确提取复杂振动信号中的故障特征。

故障树模型分析法是安全人机系统中一个重要分析方法,结合现有灯体热加工机械的研究和使用现状,建立灯体热加工机械的故障树模型,定量计算该类设备发生人机事故的概率,提出事故的预防措施。最后,总结故障树模型分析法在灯体热加工机械人机工程设计应用中的优点。

变分模态分解（Variational mode decomposition,VMD）作为一种新的信号处理方法,摆脱了传统自适应分解方法中的模态混叠、边界效应等缺陷,具有抗噪鲁棒性强、分解效率高等优点。广义Warblet变换（Generalized warblet transform,GWT）是一种新型参数化的信号时频分析方法,适合分析单分量瞬时频率呈周期或非周期变化的非平稳信号。融合VMD多模态信号分解优势以及广义Warblet解调性能,提出了一种基于VMD和GWT变换的齿轮故障诊断新方法,并通过实验分析验证了该方法的有效性。

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。