倾斜角影响下磁悬浮双转子系统的振动分析

针对倾斜角影响下磁悬浮双转子系统的转子振动问题，建立系统10 自由度力学模型，并推导系统的微分方程。通过MATLAB仿真软件中四阶龙格库塔法对系统微分方程进行求解，研究表明转速比和倾斜角的增大均会增大转子到达平衡位置的偏移距离，不同的是，前者会使转子的轴心轨迹变得更为复杂，而后者会增大转子的最大振动幅值。从非线性角度分析发现，转速比的增大会降低转子进入混沌运动的转速，降低系统的稳定性，而倾斜角的存在会使系统产生复杂的运动状态，但倾斜角的增大对系统的稳定性无影响。研究结果可以为磁悬浮双转子系统的设计提供一定的理论指导。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

高温风机轴承损伤监测和处置

利用设备全生命周期管理系统监控高温风机运动部件的运行情况，达到提前预知设备故障，减少设备运行风险，防止问题扩大化，具有很大的意义，本文利用先进的频谱仪分析高温风机轴承瑕疵，精准故障点，快速排除故障，值得同行参考     

利用FDM和随机共振检测风机主轴承微弱旋转信号

轴承作为风力发电机设备中重要部件,其健康状态直接影响风力发电机运行的稳定性和现场的安全可靠性.由于风力发电机特殊的工作环境,导致采集到的振动信号中包含大量的噪声干扰,难以准确提取轴承振动信号包含的信息成分,给评估主轴承健康状态带来困难.因此本文采用将傅立叶分解(Fourier decomposition method,FDM)和随机共振(Stochastic resonance,SR)相结合的方式提取信号中微弱的轴承振动信息.首先用FDM将原始信号自适应地分解为一系列包含轴承振动特征的傅立叶频带函数,然后找出相关性大的频带函数进行重构,最后采用SR对重构信号进行分析获得特征频率,判断轴承的健康状态.结果 显示,将两种方法相结合能有效提高输出信噪比,提升特征频率检测的精度,为实现风机轴承早期微弱故障诊断提供帮助.     

基于电磁超材料的微波单向传输圆波导设计

微波隔离器是微波系统中不可或缺的器件,常见的隔离器都采用了铁氧体旋磁材料配合吸收负载实现电磁波的单向传输。这种器件虽然可以使电磁波单向传输,但是并不能改善能量的浪费问题,还增加了系统的复杂度。针对上述问题,本文基于电磁超材料设计了一种微波单向传输的圆波导,使用波导内壁涂覆折射率逐渐变化的材料来影响电磁波的传输特性,从而实现电磁波单向传输。本文给出了微波单向传输的电磁计算模型和超材料结构及属性,并通过简化这种超材料使其易于实现;最后通过电磁仿真分析了这种材料的电磁特性并给出了这种材料的实现方法。     

点火具电磁安全性评估

为了评估发动机点火具在现用平台射频电磁环境作用下,是否存在意外点火以及是否需要适应性改进,基于现有标准规定的外部射频电磁环境和辐射敏感度试验,分析了发动机点火具满足安全裕度对发动机壳体屏蔽性能的要求,并通过屏蔽性能仿真评估了点火具的电磁安全性.结果表明,现有的发动机结构模型不能满足GJB 1389A-2005规定的16.5 dB安全裕度的要求.改进后的发动机模型在后端设置了喷堵,可以满足安全裕度的要求.     

一种商用车MT变速箱简易推式分离机构设计

为了提升大型载货车、专用车用变速箱分离机构分离性能,满足大离合器盘分离需求,设计出一种分离机构.该机构通过机械原理实现放大输入端推力来满足离合器摩擦片分离.该分离机构结构简单、成本低廉,值得推广.     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。