液态沥青料位传感器的研究

针对液态沥青粘度大、温度高、流动性差的特点,对实现其料位检测的一种新型声波测距系统的机理进行了研究.由赫姆霍茨谐振器的原理知,容器体积与其谐振频率之间存在着特定的数学关系.当谐振式传感器探头向料仓发射频率时,探头同时接收回波并由单片机检测出谐振频率.依据谐振频率值可求出料仓体积,从而求出料位.该谐振式传感器探头由动圈式高频电动扬声器、电容传声器及单片机控制板组成.其声波由电动扬声器发射,声波接收采用电容传声器.该传感器可应用在精度要求不高的固态料位、粉状料位和液位的检测.     

并联机器人的理论及应用研究

并联机构刚度大，承载能力强，精度高，运动惯性小，备受人们关注。对并联机器人的理论、应用研究及国内外发展现状进行了详尽综述，指出并联机器人理论及应用研究领域有待深入开展的研究工作方向。     

基于RNN的神经网络辨识液气联合工作液压作动器模型

建立了一种回归神经网络辨识非线性液压作动器系统数学模型的辨识方法,研究了基于回归神经网络内部状态反馈的辨识算法,利用辩识实验获得的过程输入／输出数据动态调整神经网络权值。仿真结果辨明：回归神经网络描述的液压作动器系统数学模型具有较高精度,算法全局逼近能力良好。     

机车车轮残余应力的仿真分析与测试

残余应力是机车车轮必须达到的一个重要质量指标,本文以某车轮厂某一型号钢制车轮为例,采用数值模拟与切割法测试相结合的方法,研究其踏面处周向残余应力及踏面下残余应力为零的深度,以期掌握车轮残余应力的变化规律。通过比较仿真结果与测试结果,证明了本文所采用的残余应力仿真方法是准确、可靠的,这为车轮残余应力分析提供了可行的方案,减少了破坏性实验的损耗。     

基于小波包分析和改进自适应遗传算法的齿轮故障诊断

齿轮是传动系统中最重要的元件之一,针对齿轮故障问题,在综合小波包降噪、模糊逻辑、高阶BP网络、改进自适应遗传算法各自优点的基础上,提出了一种基于小波包分析和改进自适应遗传算法的齿轮故障诊断新方法。试验证明,这种方法与传统方法相比,无论在分类精度,还是对训练总误差控制方面都具有更大的优势。     

轧机机座系统模态计算与分析

为分析某轧机颤振原因,对机座系统模态进行了有限元计算。首先由于结构的对称性,只建立了机座系统一半的三维模型,通过对称面上所加的对称和反对称约束考虑机座系统的整体性,再采用节点自由度耦合方式实现机座与横梁的联接,最后计算得到机座系统的前20阶。计算结果表明,机座系统的固有频率对轧机颤振无直接影响。     

频谱分析法在齿轮箱故障诊断中的应用

利用各种频谱分析手段(细化功率谱和倒频谱)对某轧钢厂齿轮箱振动信号进行了全面分析,发现整个传动装置产生的不平衡导致齿轮箱振动异常,经过装配调整,并做了动平衡试验,有效地解决了这一问题.     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。