人工智能技术作为有效手段广泛用于机械系统故障诊断,但故障样本的缺乏严重制约人工智能模型走向高精度诊断的工程应用。针对故障样本不足的问题,提出一种基于小波包分解与高斯云模型的故障诊断方法,通过对小样本的故障信号做小波包分解并计算每个子频带的能量以建立故障特征向量,对特征向量建立高斯云模型并正向云计算生成大量云滴以扩充故障样本。基于凯斯西储大学的轴承数据和支持向量机的故障分类实验结果表明,所提方法能有效扩充故障样本,提高故障诊断精度。

针对轴承实际工况复杂多变,现有的智能故障诊断模型和方法诊断效果不理想等问题,设计一种深层特征相关性对齐迁移学习的故障诊断方法。首先,对原始轴承振动信号预处理并将所获得的数据样本划分为训练集、迁移集和测试集;其次,建立一维卷积神经网络,采用训练集对网络模型进行初始化训练;再次,利用迁移集对微调模型进行迁移,提取源域和目标域的深层特征,在迭代过程中不断提高两域所提取特征之间的相关性;最后,使用测试集对所得到的轴承智能故障诊断模型的有效性进行验证。实验结果表明,相对于传统故障诊断方法,该方法可以提高模型的泛化能力,更好地完成实际工况下的轴承故障诊断任务。

声发射信号到达时间的信息,对于声发射事件的定位、识别以及声发射源机理分析都是非常重要的。实际应用中,常用人工读取或通过设定幅值阈值来获取信号的到达时间。针对以上常用方法的缺点,结合噪声信号的AR模型和声发射信号的AR模型,应用Akaike信息准则,实现了对声发射信号到达时间的自动识别。对实验数据的识别结果显示,该方法对信号的幅频特性变化比较敏感。在相同信噪比的情况下,该方法识别的偏差要小于阈值法。当信噪比较低时,阈值法可能会给出错误的结果,而该方法仍然能够给出较准确的结果。

膜盒式端面密封在低温液体火箭发动机涡轮泵中有着广泛的应用,作为直接影响密封工作稳定性及涡轮泵工作可靠性的重要参数,端面比压、膜盒平衡直径等如何选取一直是密封设计的重要工作。以某型低温液体火箭发动机涡轮泵的膜盒式端面密封为研究对象,研究压缩量、工作压力对膜盒应力分布、平衡直径、载荷系数和端面比压的影响。应用有限元法建立了膜盒应力分析模型,得到了不同压缩量和充压压力下膜盒的应力分布和端面压紧力,分析膜盒平衡直径随压力增大而显著下降的机理。结合理论分析,开展比压测量装置设计和测量,验证数值仿真得出的规律,并发现现有产品的实际平衡直径比理论计算要小。最后基于仿真和测试结果对现有端面密封方案进行改进,通过台架运转试验验证仿真、测量以及改进方案的准确性,为低温液体火箭发动机涡轮泵用密...