齿轮传递误差是衡量齿轮副动态性能的重要指标,齿轮时变啮合刚度对周期性变化的传递误差有重要的影响,二者是齿轮副重要的内部激励。为充分揭示两者的内在联系,同时考虑轮齿修形工艺对传递误差的影响,准确给出了齿顶修形量对齿轮啮合区的影响区间模型和齿向修形模型,建立了考虑齿轮修形因素的基于时变啮合刚度的齿轮传递误差计算模型。将传递误差的理论模型与试验结果对比,得到了良好的吻合效果,验证了传递误差模型的准确性。

为研究推力圆柱滚子轴承工作过程的热行为,以81107-TN推力圆柱滚子轴承为研究对象,通过APDL编程建立了“滚道-滚动体-保持架”系统的有限元模型。然后采用ANSYS/LS-DYNA模块进行了干摩擦条件下的热力耦合分析,并进行了试验验证。研究结果发现,轴承“滚道-滚动体-保持架”系统在干磨过程的接触表面等效应力和温度分布规律与试验后得到的滚动轴承滚道表面状态基本吻合。

为实现70Mn表面的小直径激光重熔强化,以重熔区深度0.30mm、宽度0.80mm为目标,研究了在不同扫描速率和不同激光功率下的70Mn钢表面“条纹型”重熔单元制备工艺,确定了适用于2mm厚70Mn钢的激光表面重熔工艺参数组合。结果表明大气环境下,重熔得到的条纹表面较氩气保护环境下的条纹表面粗糙,条纹两侧氧化严重并伴有严重的凸起;在氩气保护环境下,激光扫描速率10mm/s、激光功率400W时,试样可以获得目标重熔区深度(337.3μm)和宽度(817.2μm)。这为滚动轴承滚道等表面的激光重熔强化提供了重要参考。

为了更加准确地揭示轴承振动响应的机理,考虑了滚动轴承受到不平衡力以及运行产生的扰动力的影响,基于Hertzian接触理论,并结合弹性力学、轴承运动学以及几何学,建立了4自由度深沟球轴承动力学模型。为了能够更好地描述轴承实际运动过程,该模型将内圈与外圈通过频率在一个模型中全部体现出来,并且将轴承运行时的共振部分也考虑在其中,从轴承实际运动的角度刻画轴系-内圈-外圈-轴承座传递过程。以深沟球SKF6205-RS轴承为建模对象,利用四阶变步长的Runge-Kutta法对动力学的拉格朗日方程进行求解,得到振动响应时域信号以及频域信号,与凯斯西储大学轴承实验结果进行了比较,验证了模型的可行性。最后,将模拟与实验中产生的共振部分做了定量分析,验证了模型的准确性。

野山羊算法结合不同的搜索策略,弥补了多个著名元启发式算法在解决优化问题中的固有缺陷。针对传统野山羊算法不能有效解决多目标优化问题,提出了多目标野山羊算法并应用于多目标优化当中。首先该算法在野山羊算法基础上提出了改进的多种群策略,提升了种群多样性;其次将该策略与提出的动态进化策略和领头羊派遣策略结合,进一步增强了个体之间的信息交流,防止算法局部收敛。再者将该算法与其他经典多目标优化算法比较,实验结果表明提出的算法在解决多目标优化问题中具有明显优势。最后将该算法应用到动压滑动轴承的多目标优化设计当中。

为了探究激光表面重熔对退火态70Mn钢拉伸性能的影响,在扫描速率10mm/s、功率400W和氩气保护的条件下,制备了“条纹型”“网格型”和“混合型”图样的重熔拉伸试件;获得了激光重熔区的显微组织、不同图样试件的拉伸性能及其断口微观形貌。试验结果表明“条纹型”和“混合型”重熔图样未对退火态70Mn钢的抗拉强度产生明显影响,而“网格型”重熔图样试件的抗拉强度降低了8.4%;不同重熔图样对屈服强度无明显影响;与光滑试件相比“条纹型”图样对伸长率几乎无影响“网格型”试件的伸长率降低了16.96%“混合型”试件的伸长率降低了9.11%。

为了探索植物叶脉对滚动接触摩擦副表面摩擦磨损性能的影响,这里基于APDL参数化设计语言,以叶脉为研究对象,对ANSYS软件进行了二次开发,实现了叶脉的有限元参数化建模。同时,利用ANSYS/LS-DYNA求解器、LS-PREPOST后处理器对“滚子-叶脉”系统进行了显式动力学分析。结果表明应用APDL编程和ANSYS的二次开发,可以实现叶脉有限元参数化建模和动力学分析的全过程。这为进一步研究叶脉对滚动接触摩擦副的影响机理提供了思路,也为叶脉拓扑结构的优化奠定了基础。

为揭示条纹型单元织构化推力轴承的干摩擦磨损行为,以81107TN推力圆柱滚子轴承为对象,在轴承轴圈表面制备不同宽度和不同深度的条纹型单元,然后从摩擦系数、磨损量、表面形貌等方面,研究了条纹型单元的深度和宽度对“滚道-滚动体-保持架”系统干摩擦磨损性能的影响。试验结果表明在干摩擦条件下,条纹织构化轴承的摩擦系数相比无织构光滑轴承有所升高,改变条纹的深度和宽度可以影响摩擦系数的变化范围;条纹织构可以显著增强轴承的抗磨能力,且与摩擦系数呈负相关,织构宽度为50μm,深度为7μm的轴承表现最明显,相比光滑无织构轴承磨损量降低约75.6%;条纹织构化轴承的磨损程度和范围,相比光滑无织构轴承明显减小,这得益于织构边缘对基体起到了保护作用。

滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果。针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断。首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题。其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则。最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测。实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度。

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。