基于磁桥路的钢丝绳LMA型损伤检测试验研究

基于磁桥路检测原理,建立了钢丝绳LMA型损伤等效磁路模型,分析了钢丝绳金属截面积与磁桥路的磁感应强度之间的关系,并推导出了两者的理论方程式;基于霍尔元件的霍尔效应原理,制作了磁桥路的磁感应强度检测器,通过试验,获得了不同钢丝绳金属截面积（即不同损伤）条件下的霍尔检测电压,由此,建立了钢丝绳金属截面积与霍尔检测电压的线性方程式,实现了钢丝绳LMA型损伤的定量检测.     

基于平均影响值与SVM的滚珠丝杠故障诊断技术

针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。     

基于磁晶格检测构件应变的仿真研究

应变是可以反映机械构件受力状态和形变的物理量,因此成为对构件检测的主要对象。长期以来,对应变的检测多采用电阻应变片法．这种方法虽然理论成熟,应用广泛,但是这种方法属于接触式检测,测定的范围局限在粘贴有应变片的有限狭小区域内,尤其足在多点测量时,不仅导线的布置变得十分繁琐,而且由于连线多,从而影响了检测的精度,增加了测定的事故率。     

基于小波包分解和EMD的滚动轴承故障诊断方法研究

提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。     

基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

江口水电站拱坝左岸1号危岩体稳定分析

江口水电站大坝左岸开挖边坡高约100 m,岩质边坡中的裂隙、夹层、断层等结构面组合成多个具有下滑趋势的楔形块体,根据实际开挖揭露的地质条件,通过块体的组成分析及稳定计算,认为左岸1号危岩体是稳定的。     

基于有限元的铁磁材料表面损伤检测的仿真研究

为了实现对铁磁材料表面缺陷的检测,利用有限元软件进行仿真,研究了感应电流随缺陷深度、宽度和角度变化的规律。仿真结果表明,感应电流随着表面缺陷深度的增加而减少,随着宽度的变大而减少,随夹角的增加而增大,对后续的试验研究具有指导意义。     

基于ANSYS的钢丝绳裂纹缺陷剩余强度分析

通过有限元法分析了包含单个不同深度裂纹缺陷的钢丝绳,在不同服役条件(载荷状态)下的应力与应变状态,同时拟合求解得到了含不同深度裂纹缺陷钢丝绳的剩余强度,结果表明含裂纹缺陷钢丝绳剩余强度随缺陷深度的增加而线性降低。     

基于多传感器融合的高速电主轴振动故障诊断研究

高速电主轴振动故障具有多样性、复杂性、不确定性等特点,本文提出在关键部位安装多个传感器,组成多传感器数据采集系统,采用多源信息融合对振动故障进行融合诊断的方法。针对多源信息融合亟需解决的静态与动态融合诊断问题,提出针对静态融合问题,采用DST(Dempster-Shafer Theory)与DSmT(Dezert-Smarandache Theory)自适应融合方法进行融合;对于动态融合问题,则根据证据源的不同特点,分别应用自由DSm模型和混合DSm模型进行融合诊断的方法。经实例证明,该方法既减小了计算量和复杂度,又提高了置信度,合理地分配了冲突信息。     

基于KPCA-BP网络模型的滚动轴承故障诊断方法研究

针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。