基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

振动不同步对结晶器内铸坯应力影响有限元分析

基于实测连铸结晶器振动曲线数据,分析结晶器两侧振动不同步的运动特性,并利用Ansys软件对结晶器振动过程进行有限元模拟,获得铸坯应力分布。结果表明结晶器在振动过程中发生相对转动,对铸坯产生相对挤压和偏离;铸坯窄面和角部区域受结晶器相对挤压影响,随离弯月面距离增大,其应力增大;在相对挤压时,铸坯底端角部应力受结晶器相对位移和转动影响,随结晶器相对转动角位移增大和相对位移减小,铸坯应力增大。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于多域特征及多传感器网络融合的滚动轴承故障诊断

将幅值域无量纲参数和时频域信息熵作为概率神经网络的特征向量,构建多传感器系统概率神经网络的初级诊断网络,并利用概率神经网络累加层输出结果构建Dempster-Shafer证据理论的mass函数,通过Dempster-Shafer证据理论进行决策级融合诊断。将该方法用于滚动轴承故障模式分类,并通过实验室及现场实例验证了该方法的可行性与有效性。     

回火对20SiMn3NiA钢组织和力学性能的影响

研究了20SiMn3NiA钢860℃正火,900℃40 min油淬,180～650℃90～150 min回火的组织和力学性能。结果表明,该钢较佳的回火温度为200～250℃,230℃回火后得到板条马氏体、细棒状碳化物析出相和残余奥氏体,在250℃回火时该钢的抗拉强度(Rm)超过1 500 MPa,冲击韧性(AKY)超过80 J,有较好的强韧性匹配。20SiMn3NiA钢在320℃中温回火时,碳化物析出相呈连续的片状分布,使得该钢的冲击韧性值很低,当在320～600℃区间回火时,20SiMn3NiA钢具有明显的回火脆性。     

曲轴智能锻造系统集成

介绍了曲轴锻造的现状,并在对智能制造发展趋势分析的基础上,提出了曲轴智能锻造的必要性。结合曲轴锻造生产的特点,提出了层级智能锻造的系统结构,该系统包含基础层的自动化锻造生产线、参数提取层的智能感知与检测系统、制造执行层的MES系统以及决策层的专家系统这4个主体模块,并构建出曲轴智能锻造的系统架构。此外,建立了曲轴智能锻造的智能感知与检测系统,实现了锻造生产在线监测和参数提取,并通过智能化锻造网络构架、智能感知与检测系统、MES和专家系统构建了一个可自动运行、故障诊断以及生产管理的锻造生产过程。     

锻造模具升温及冷却润滑技术

锻造模具的冷却润滑不仅关系着模具寿命和锻造产品的质量,也是制约锻造生产实现自动化、无人化的最重要的因素。研究模具在锻造过程中的温升和冷却机理是研发冷却润滑系统的基础。通过对锻造过程中模具吸热与散热过程进行计算,分析了锻造模具的冷却传热过程。在此基础上,分析了冷却水的水冷作用,并根据模具的温升计算了冷却模具所需要的水量。最后,为了验证分析计算的可靠性,实测了两种不同锻造设备的模具温度,并与计算值进行了对比分析。分析结果表明,计算值与实测值偏差为8%,近似度较好,可以为模具冷却润滑系统的研发提供理论基础。