提出了将局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)和改进Teager能量算子(NTEO)相结合的滚动轴承故障诊断方法.首先简单介绍了近几年新提出的一种自适应时频分析方法LCD,它能够将一个复杂的多分量信号分解为若干内禀尺度分量(Intrinsic scale component,简称ISC),计算各阶ISC的峭度和与原信号的相关度,然后对峭度和相关度都比较大的ISC用NTEO计算瞬时Teager能量序列,接下来把各阶Teager能量序列相加得到总的能量序列,最后对能量序列做快速傅里叶变换,查找故障频率.分别把有内圈和外圈故障的轴承的振动信号进行了分析,有效的提取出了故障特征频率,并与传统的Hilbert包络谱方法和Teager能量谱进行对比,验证了方法的优越性.

利用机器视觉来实现零件尺寸的测量因其操作方便,节省人力,越来越受到学者的重视。利用结构光来实现轴类零件的测量时,需要预先知道回转轴线在相机坐标系的位置。首先回顾分析了目前提出的转轴标定算法,讨论了以往的标定方案的可取和不可取之处,然后在前人基础上提出了一种新的解决方法。首先通过夹具将标定板固定在三爪卡盘上,使标定板相对三爪卡盘空间位置固定,然后旋转三爪卡盘从而得到一系列标定板图像。因为标定板和轴心有确定的几何关系,通过这一系列标定板平面上的特征点通过最小二乘法即可演算出轴心位置。在所提方法的基础上进行了实验,结果表明提出方法准确且具有一定应用价值。

支持向量机(SVM)对机床刀具磨损阶段监测的诊断能力与其参数惩罚因子C和核函数参数g紧密相关,SVM参数的优化对其诊断精度影响很大。为解决人工选取支持向量机参数效率低、准确率不高的问题,提出一种细菌觅食算法(BFA)优化SVM参数的刀具故障诊断方法。将SVM的诊断准确率作为细菌觅食算法的优化目标,利用细菌觅食算法对SVM参数全局寻优,得到最优参数组合。实验结果分析表明,相对于传统的SVM,优化参数后的SVM对刀具磨损阶段的监测准确率至少提高了5%,验证了此方法的可靠性。

对比了齿轮钢材料18CrNiMo7-6与20CrMnTi的齿根弯曲疲劳寿命。基于这两种材料的疲劳特性,采用SolidWorks中的GearTrax插件建立齿轮模型,并通过Workbench对齿轮的轮齿进行静力学分析;将静力学分析结果导入疲劳分析软件FE-SAFE中,结合载荷谱信息对两种材料齿轮进行疲劳寿命计算,得到齿轮的寿命云图并进行了仿真分析比较;通过试验验证了该仿真方法的可行性。结果表明,在相同的载荷条件下,18CrNiMo7-6齿轮的疲劳寿命大于20CrMnTi齿轮的疲劳寿命,与试验结果较为接近。该分析结果对工程实践具有一定的指导作用。

为实现在非线性非平稳的轴承振动信号中提取出故障特征频率,提出了一种经验模态分解（EMD）和改进的Teager能量算子（NTEO）相结合的故障诊断方法。首先通过EMD将振动信号分解为若干阶本征模态分量（IMF）,计算各阶IMF的峭度和与原信号的相关系数,利用峭度和相关系数均较大的IMF进行信号的重构,然后利用NTEO计算重构信号的瞬时Teager能量序列,最后对能量序列进行FFT变换,提取轴承的故障特征频率。分别对轴承内圈和外圈故障的振动信号进行分析,清晰地提取出了故障特征频率,并通过与传统Hilbert包络谱和Teager能量谱进行对比,验证了方法的有效性。