Finite element model updating using crow search algorithm with Levy flight

The accuracy of the finite element model is essential for fatigue analysis and vibration of a flexible body. This paper presents a finite element model updating (FEMU) algorithm based on crows search algorithm incorporated with Levy flight (LFCSA). The proposed algorithm is tested on the updating of two different cases: a simple structure (beam) and a complex structure (gearbox housing). To verify the performance of LFCSA, two optimization algorithm, which is the standard CSA and the particle swarm optimization algorithm with Levy flight (LFPSO), are applied to FEMU of the simple beam. The result of the comparison shows that the LFCSA has sufficient convergence speed and global search ability in the implementation of FEMU. In the case of gearbox housing, the error of frequencies and mode shapes are analyzed to indicate that the LFCSA gives a satisfactory result in a complex structure.     

变风载下风电齿轮箱内部激励规律研究及动态特性优化

风电齿轮箱作为风电机组的关键部件,其动态特性直接影响整个机组的运行。以某兆瓦级风电齿轮箱为研究对象,考虑箱体、行星架的结构柔性后,建立风电齿轮箱耦合动力学模型,并分析了其动态响应。针对单一工况所得的齿轮修形量未必适用于其它工况的问题,对各工况下的风电齿轮箱各级齿轮副内部激励进行了加权处理,以各齿轮内部激励和最小为优化目标,基于遗传算法寻求适用于多工况的最优修形量,并结合齿轮宏观参数优化来改善风电齿轮箱的动态响应。结果表明,通过宏观参数优化及齿轮修形后,各工况下风电齿轮箱的振动加速度及结构噪声均得到了有效改善。研究结果为兆瓦级风电齿轮箱动力学特性优化提供了依据。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于FFT与DNN的齿轮箱油温数据预测

针对风电机组齿轮箱油温数值的非线性与相关性,为实现油温的准确预测,提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的深度神经网络(Deep Neural Network, DNN)的预测方法。首先,对油温数据进行时间序列特性分析,选择时间窗口对信息进行排列,然后对信息进行FFT并提取其高频幅特征,并把这些特征输入DNN模型中进行训练,最后对输出的结果进行评价。采用实测数据对该方法进行验证,并选用常见模型进行对比,结果验证了该方法的有效性。该方法可以在齿轮箱运行状态异常前预警,降低设备功能性的故障,减少风电机组故障停机的损失,具有实用价值。     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节。针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法。该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数。为实现风电机组齿轮箱故障诊断,首先采用改进LMD方法对信号进行降噪处理,然后采用多尺度熵提取降噪处理后信号的特征向量,最后采用极限学习机进行故障诊断。通过仿真分析,证明了该方法能有效解决模态混叠现象,提高了LMD的分解精度。试验验证分析表明,该方法的故障诊断准确率为100%,通过对比分析表明,该方法优于其他故障诊断方法,具有工程应用价值。     

基于LSTM算法的门座式起重机减速箱故障诊断研究

为实现门座式起重机减速箱机械故障的智能诊断和分类,运用长短期记忆网络构建了门座式起重机减速箱机械故障的自动诊断分类模型;首先设计并使用了基于labview的数据采集系统对门座式起重机的复合故障数据进行了采集,结合东南大学公开的齿轮箱故障数据建立了数据集;然后用数据增强的方法对数据进行预处理,接着采用长短期记忆神经网络,构建门座式起重机减速箱机械故障诊断模型;最后使用测试数据集对模型的诊断分类准确性进行了验证实验,结果表明该诊断模型能快速准确的对门座式起重机减速箱的机械故障进行自动诊断和分类,实现了96.8％的诊断分类准确率,与传统的基于CNN的诊断分类模型相比,准确率提高了4.1％,为下一步便携式智能诊断仪器的开发和应用奠定了一定的理论基础.     

汽车制造商对手动变速箱油的要求

现代手动变速箱要求润滑油具有良好的热氧化安定性、橡胶密封适应性、抗点蚀性能,以及良好的同步器性能和长的换油期。API GL-3和GL-4齿轮油已难以满足上述要求。东风汽车公司提出的卡车手动变速箱油规格在GL-4性能基础上包括了API MT-1的基本要求。     

矿井提升机常见故障分析

介绍矿井提升机的常见故障及分类。     

手动变速箱rattle噪声的仿真和试验

针对手动变速箱的振动和噪声直接影响整车NVH性能的问题,简述手动变速箱rattle噪声的产生机理,将非承载齿轮敲击过程理解为由离合器、承载齿轮、差速器和车身等组成的扭振系统和非承载齿轮副敲击系统相互作用的结果.用AMESim建立传动系统敲击模型并通过试验验证模型的准确性,重点分析离合器参数(刚度和迟滞阻尼)以及齿轮齿隙对齿轮敲击力的影响.结果表明,利用这些参数对变速箱rattle噪声加以控制可达到预期的效果.     

Abaqus重启动分析技术在风力机齿轮箱弹性支撑强度分析中的应用

齿轮箱弹性支撑强度分析系统大、组件多、网格多和工况多,常规的有限元分析时间很长、效率很低.采用Abaqus的重启动分析技术,对风力机齿轮箱弹性支撑进行强度分析,将复杂分析工况进行简化,大大地缩短分析时间,提高分析效率,且对分析精度没有影响.