针对滚动轴承中存在数据样本量大、非平稳信号波动复杂等问题,提出基于流形学习和M-KH-SVR(Multivariable-Krill Herd-Support Vector Regression)的滚动轴承衰退预测方法。该方法首先提取了滚动轴承的时域和频域特征,组成初始特征向量;然后利用相关度量系数(Multiple Correlation Coefficient,MCC)对初始特征进行筛选,得到相关程度较高的特征向量集,并通过局部线性嵌入(Locally Linear Embedding,LLE)方法进行特征降维,进而组成新的故障特征集;最后将磷虾群算法引入到多变量支持向量回归机中,并对其参数c和σ进行优化,利用磷虾群局部寻优和全局寻优的能力,提高了参数选择效率。通过对多变量特征进行实验对比分析,结果表明该方法与传统单一参数及多特征参数方法相比,具有良好的泛化性,大幅度提高了运算效率和预测精度,对滚动轴承的衰退阶段划分更加精确。

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解（complementary ensemble empirical mode decomposition,简称CEEMD）与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。

针对齿轮箱故障诊断时使用单一传感器进行信号获取过程中存在信息不完整的问题,导致故障特征信息及诊断推理方法具有随机性和模糊性。利用多传感器信息融合的二阶张量特征作为输入,构建了一个支持张量机和集成矩阵距离测度(Assembled Matrix Distance Metric,AMDM)的K最近邻分类器(k-nearest neighborhood classifier,KNN)决策融合故障诊断模型。首先,对多传感器信息时频域特征层进行融合,获得二阶张量的特征样本;其次,分别构建基于集成支持张量机、KNN-AMDM的故障诊断模型,并针对两类故障诊断模型的输入,设计了两种基本概率分配赋值的转化方法,通过不断调整参与的传感器数目获得6种不同的故障征兆张量集,进而得到12种不同的初步故障诊断结果;最后,采用D-S证据理论对12个证据体提供的基本概率分配值进行融合决策,得到最终的齿轮箱故障诊断结果。实验对比表明,...

针对单一测度模型的特征评价方法存在特征敏感度＂欠学习＂,以及支持向量机（support vector machines,简称SVM）参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。

变幅机构是门座起重机模型的主要执行机构,其变幅过程中悬挂点的水平性能是机构设计及原理展示的重要内容.根据原型机在工程应用中的要求,通过配置轨迹上3个水平准点给出了求解变幅机构的刚体位移矩阵方程,并对两种角度约束条件的给定方法进行了讨论分析.结合设计算例,在ADAMS软件中,对悬挂点在变幅过程中的水平落差和水平速度变化情况进行了仿真及预测.结果表明,采用该方法可准确按既定准点配置模型变幅轨迹,为工程中此类连杆机构的综合提供了参考.