材料早期力学性能退化总是伴随着某种形式的材料非线性力学行为,从而引起超声波传播的非线性,即高频谐波的产生。查超声非线性系数非常小,易被测量系统的非线性干扰淹没。通过实验仪器的选择和夹具的设计,改进了一套非线性超声测试实验系统。在相同条件下测得同一试件在不同输入电压下的二次谐波幅值和基波幅值平方近似线性关系,表明实验系统是可靠的。利用该系统进行了一组LY12铝合金拉伸试件非线性超声检测实验。在塑性阶段,随着拉伸应力的增大超声非线性系数显著增加。实验结果表明,超声非线性系数可以表征金属材料的力学性能退化程度。

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。

可倾瓦轴承监测系统采集信号种类多,具有超多采集通道,实现通道任意可选比较困难。针对此问题,提出一种基于轮询枚举的方法,将循环索引和枚举型条件结构相结合并利用LabVIEW平台实现该算法。通过实验验证,该方法可以实现超多采集通道任意可选,对应通道数据存储也非常方便,便于对轴承单个瓦块进行数据采集分析。

旋转机械正朝着高速化、智能化、高性能方向发展,为及时发现早期故障,需要研发健康监测系统。报警存储用于分析故障原因,是系统核心。针对大多系统报警存储存在缓存时间长度随采样率变化、缓存数据丢失、单次报警等问题,提出一种基于多重移位复用的方法,将多个移位寄存器、队列和循环索引相结合并利用LabVIEW平台实现该方法。实验结果表明,该方法可以自动存储报警前后10 s内所有数据,解决了数据丢失、单次报警等问题。

针对非平稳工况下,轴承故障信号表现出来的非平稳性、故障特征难以提取等特点,提出将阶次分析与经验小波变换(EWT)相结合的故障特征提取方法,使用LabVIEW软件开发平台对上述方法进行编程实现。利用机械故障仿真实验台(MFS)得到非平稳工况下轴承内圈故障信号并以其进行分析,分析结果表明基于阶次分析与EWT相结合的方法能准确识别非平稳工况下轴承故障特征,解决了传统阶次分析方法无法有效识别故障特征的问题。

针对传统检测方法无法自动、准确识别表面贴装(Surface Mounted Technology,SMT)元件引脚连锡缺陷的问题,提出一种基于机器视觉检测SMT元件引脚连锡缺陷的方法。利用连通域标记算法对引脚的二值图像进行识别,并通过LabVIEW软件平台开发了一套基于此方法的SMT元件引脚连锡缺陷检测系统。通过实际测试验证,结果表明该系统能准确识别出SMT元件引脚是否出现连锡且能有效测出连锡区域数目,显著提高了检测的自动化程度,可应用于SMT元件引脚连锡缺陷检测中。