POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。     

中板四辊轧机万向接轴断裂原因分析

根据有限元计算、断口分析和实测数据对万向接轴断裂的原因进行分析。认为万向接轴断裂的主要原因是在高应力作用下的疲劳引起的     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

第二代小波在振动信号去噪中新方法的研究

在传统小波去噪中,小波分解的结果与所采用的小波基函数有关,一旦选用不适当的小波基函数会冲淡振动信号的局部特征信息,而造成原始信号的细节信息丢失.为了克服上述缺陷,WimSweldens博士提出了一种使用提升模式构造小波的方法.本文讨论了一种基于插值细分原理,利用奇偶空间的相关性的新的提升方法,并且通过对仿真信号的处理和对齿轮故障信号的降噪分析,证明了该方法在降噪方面的优越性.     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

转炉托圈及联接装置机械应力的三维非线性有限元分析

针对某钢厂3号转炉托圈水平联接座与下盖板焊接处产生的裂纹问题,建立整体装配模型,运用三维非线性有限元法,对托圈在焊接人孔和活动人孔两种情形下,不同倾动角度时,进行了机械应力分析,分析结果表明:两种情形下托圈整体机械应力分布大致相同,且应力水平相当;水平联接座与下盖板焊接处机械应力水平过高,这与国外某钢厂此处过早产生断裂损坏完全一致。     

90MN油压机拉杆断裂原因分析

针对某钢厂90MN油压机4根拉杆中的一根发生断裂的现象,通过断口分析和油压机拉杆三维仿真分析可知,材料静强度满足要求,不会出现立即失效的现象,但拉杆和螺母的最大应力均大于材料的屈服强度,有一定的塑性变形倾向存在;通过计算得到的第一主应力可知,在有限寿命的拉应力作用下,拉杆和下螺母均可能产生疲劳失效,与断口形貌吻合。计算结果为拉杆能否使用提供了理论依据。     

自适应遗传算法在滚动轴承故障诊断中的应用

提出了一种基于自适应遗传算法的滚动轴承故障诊断方法。实验表明，该方法对滚动轴承故障模式具有稳定、准确的识别能力，是一种行之有效的新型诊断方法。     

HFCG120辊压机机架优化设计

利用APDL语言,建立了辊压机机架有限元模型与优化设计模型,采用耦合节点自由度的方式处理机架各部件间的螺栓和销轴联接,同时对螺栓联接的预应力,采用温降法加以考虑.优化设计结果表明,机架中各钢板的厚度分布趋于合理,第一主应力降幅显著,机架强度能够满足工程应用要求.     

基于EKF训练的RBF神经网络及其故障诊断应用

针对利用神经网络进行机械故障分类,以及网络权重的训练问题,依据系统辨识的理论,将RBF网络看作非线性系统。在机械故障分类中,可将RBF函数中心参数和网络权重的训练作为系统参数,进行故障辨识。在故障分类过程中,采用了在估计参数附近进行Taylor级数线性化,利用参数增广和统计动力学方法,构造线性状态空间方程,用扩展Kalman滤波算法(EKF)进行参数估计。RBF网络用典型的齿轮故障信息对其进行训练,并与传统的梯度下降法(Gradient Descent)相比较,结果表明,用Kalman算法训练RBF网络,不仅具有较好的精度,而且避免了传统算法存在的梯度消失,提高了网络的收敛速度。