二维液压元件能充分利用二维活塞的面密封以及周向旋转配流等特点以获得更好的工作性能,但面临二维活塞与缸体配合微间隙中油液强剪切可能诱发空化的问题。为探究该处微间隙内油液的一维运动工况,利用自制的外筒旋转同心圆筒装置开展纯剪切流动实验研究,分别就不同转速、流场压力、油液上方空气占比、内筒外壁面配流槽结构以及微间隙厚度进行可视化研究。实验结果表明:流场压力与发生剪切空化的临界剪切应力成线性增大关系,压力越大油液空化所需剪切应力越大;若油液上方空间内留有空气,则上方空气含量越高对剪切空化的抑制作用越强;而二维活塞的配流槽结构一方面会减小油液的剪切扭矩,另一方面会改变纯剪切流场,从而抑制剪切空化的发生;微间隙厚度的减小将使发生剪切空化的临界剪切应力减小,从而降低剪切空化发生的难度。

针对传统力马达及比例电磁铁频响低的特点,提出一种新式力马达结构,该力马达运用永磁体和线圈差动控制的原理,实现双向高频控制。由于传统的经验公式对新结构设计具有低准确性,基于有限元法,建立了力马达的模型并利用Ansoft仿真软件来分析力马达的力-位移特性,对影响力马达力-位移特性的轴向气隙面积、轴向气隙距离等主要结构参数进行了分析比较,并在此基础上进行优化。

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。

为了探究混合式步进电动机关键结构参数对其静态转矩的影响规律,找寻最优设计方案,提出一种基于正交试验、反向传播(Back Propagation,BP)神经网络和遗传算法的智能协同优化方法。通过对电机的磁路分析与ANSYS Maxwell-3D有限元仿真,讨论了电机结构和运行参数对输出转矩的影响,并据此对电机的气隙g、齿宽比bt/t、齿高ht和转子壁厚hr进行协同优化,采用电机的最大静转矩Tm作为优化目标,运用智能协同优化方法得到最优解,并对优化结果进行有限元验证。结果表明:优化结果与仿真结果相近,最大静态转矩相对误差为4.8%,最优结构参数为:g=0.1 mm,bt/t=0.37,ht=0.84 mm,hr=2.5 mm。