基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

车用CAN总线系统物理层测试台架的设计

为了检验CAN总线系统特征参数,分析了长度与位传输速率的对应关系,并研究了位速率与总线最大长度之间的对应关系,介绍了车用CAN总线系统物理层台架的设计过程,对台架CAN跳变沿斜率信号进行了测试,试验结果表明CAN总线系统物理层符合设计要求。     

纵-扭超声磨削陶瓷表面粗糙度拟合与预测模型

为探究纵-扭超声振动对陶瓷磨削表面几何形貌的影响,以ZrO2陶瓷为研究对象,通过正交对比试验,以磨削表面粗糙度值为评价指标,采用多元线性回归分析法,建立普通磨削（OG）及纵-扭超声磨削（L-TUG）材料表面粗糙度拟合模型,研究工艺参数对表面粗糙度作用的主次顺序及影响程度;同时利用BP神经网络预测模型进行L-TUG表面粗糙度的优化求解。结果表明：在L-TUG中,主轴转速对粗糙度值影响最大,超声能量影响最小;在OG中,磨削深度对粗糙度值影响最大,主轴转速影响最小。BP神经网络模型预测误差在1.070%~9.396%内,且最优磨削参数组合获得的表面质量最好,可实现对L-TUG表面粗糙度值较高精度的智能预测。     

PCBN刀具材料的性能及切削20CrMnTi合金钢试验研究

以CBN为原料、TiCN和Al为结合剂, 在1550 ℃、5.5 GPa高温高压条件下合成了不同CBN含量的PCBN刀具材料。对PCBN刀具材料进行了显微结构观察、力学性能(磨耗比、硬度)以及高速精密切削20CrMnTi合金钢的切削性能检测。结果表明, PCBN刀具材料的结合剂均匀分布在CBN颗粒周围, 致密性良好;PCBN刀具材料的硬度、磨耗比与CBN含量成正比, CBN含量70%时, PCBN的硬度和磨耗比均最大, 分别为32.97 GPa和7400;高CBN含量的PCBN刀具使用寿命更长。切削试验结果表明, PCBN刀具高速切削20CrMnTi合金钢时的磨损是黏结磨损、氧化磨损、扩散磨损以及局部剥落等各种磨损机制综合作用的结果。