机械密封的健康评估研究

机械密封端面膜厚状态是表征机械密封健康状况的重要参数,通过评估密封膜厚状态可以有效的延长机械密封的使用寿命,降低机械工作过程中的故障率。为了评估流体动压型机械密封开启过程的健康状态,该研究通过在实验平台上利用声发射和电涡流传感器对其信号进行实时监测并采集信号。将实验采集的信号进行处理,利用KPCA方法降维优化抽取的特征参数,采用DHMM算法建立模型进行训练并测试。结果表明,DHMM模型能够对机械密封的健康状态进行有效的评估。     

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。