基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障.     

超低碳汽车外板BH钢炼钢过程中夹杂物的演变

 为了研究超低碳钢炼钢过程中夹杂物的具体演变规律，利用夹杂物自动分析系统研究了硫质量分数分别为0.010%和0.015%的两炉次(S100炉次和S150炉次)超低碳汽车外板烘烤硬化钢(bake hardening steel，简称BH钢)从RH终点到铸坯过程中夹杂物形貌、成分、数量、尺寸的演变，并利用X射线荧光光谱仪和X射线衍射仪结合RH精炼渣和中间包覆盖剂熔渣的成分进行对比分析。结果表明，BH钢中夹杂物的主要类型为Al2O3、MnS、Al2O3+MnS和含硅类夹杂物(其中含硅类夹杂物主要是Al Si O夹杂，不包括纯硅、SiC、SiO2)。由于BH钢中锰和硫质量分数较高，凝固过程中MnS大量析出，使得铸坯中MnS夹杂物数量密度和夹杂物总数量密度显著增加。硫质量分数为0.010%和0.015%的两炉次钢在RH和中间包中MnS夹杂物数量密度无明显差异，由于MnS主要在凝固过程中析出，S150炉次在铸坯中的MnS明显多于S100炉次。精炼渣中w(（FeO+MnO）)较高，w(（CaO）)/w(（Al2O3）)比低，会导致RH终点Al2O3夹杂物较多。在浇注过程中，引流砂的流入会导致中间包覆盖剂熔渣中SiO2质量分数增高，造成钢液中Si Al O等夹杂物的数量密度明显增加。结晶器过程中Al2O3夹杂不断聚集长大、上浮去除，使铸坯中Al2O3和Al2O3+MnS夹杂物数量密度减少，尺寸增大。     

异常电力负荷数据的辨识方法研究

为了满足实际对负荷预测精度的要求,提高中期负荷预测的准确性,针对目前异常数据辨识方法工作量大,人工干预较多,易误判、漏判的现状,以及电力系统年负荷曲线所具有的纵向相似性和横向相似性,提出了基于数理统计及三点平滑原理的异常数据辨识和修正算法.通过对甘肃省电网实际历史数据的辨识和修正研究,验证了此方法具有简单实用、工作量小、人工干预大大减少等优点,提高了负荷预测精度,具有一定的有效性和适用性.     

基于Hilbert-Huang 变换的齿轮故障诊断研究

提出一种基于Hilbert-Huang变换的齿轮磨损故障诊断的新方法。介绍Hilbert-Huang变换的基本原理,并将Hil-bert-Huang变换应用于齿轮箱中齿轮磨损故障诊断,通过选取表征齿轮磨损故障的固有模式函数进行边际谱和能量谱分析,可提取齿轮故障振动信号的特征。齿轮故障实验结果表明,应用这种分析方法,能够有效地诊断齿轮的磨损故障。     

基于倒频谱理论的滚动轴承故障检测

探讨了倒频谱技术在滚动轴承故障诊断中的应用。针对滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高滚动轴承故障诊断的准确性。     

Mg脱氧对船板结构钢中夹杂物的影响

研究了Mg脱氧对于船板结构钢中微米级夹杂物演变行为的影响.钢中典型夹杂物是中心为氧化物、外围为MnS的复合夹杂物.随着钢中Mg含量的增高,独立氧化物和独立硫化物的数量减少,氧化物和硫化物的复合夹杂物数量增多,同时夹杂物的尺寸减小、数量增加.随着钢中Mg含量从0升高到27 ×10^-4％、38×10^-4％、99 ×10^-4％,夹杂物中心氧化物成分的变化趋势是：Al2O3→（Mg-Al-Ti-O）→MgO.