涡流脉冲热像检测中金属疲劳裂纹的生热分析

涡流脉冲热像技术是一种将电磁生热和红外热成像相结合的新型无损检测技术。针对金属疲劳裂纹生热研究不深入的问题,本文以含有贯穿的疲劳裂纹金属平板试件为研究对象,搭建了涡流脉冲热像检测实验系统,并建立了涡流脉冲热像有限元模型,分析了涡流脉冲热像检测中裂纹生热的规律。研究结果表明:在红外热像中,同一时刻越靠近裂纹根部的位置,温升的最大值越大;在激励过程中,裂纹区域的温升逐渐升高,当激励结束时,裂纹区域的温升则具有逐渐下降趋势,并且呈现先迅速后缓慢的下降速度。进一步揭示了裂纹尺寸对裂纹区域温升的影响。     

基于TRIZ理论的深海水液压电磁阀

水深压力直接影响着海洋机电装备的性能及可靠性。以深海水液压电磁阀为例,运用TRIZ理论的物质-场模型及冲突矩阵,阐述水深压力补偿方式,提出水深压力硬补偿的方法。建立硬补偿式深海水液压电磁阀的模型,研制初试样机及试验平台,对其性能及影响因素进行研究。结果表明:(1)硬补偿式深海水液压电磁阀性能良好:仿真及试验结果基本一致;电磁阀开启压力小,约为0.3 MPa;密封性能优异,关闭状态下,阀的泄漏量为零;阀口全开时压力损失小,额定流量(7 L/min)下的压力损失约为0.25 MPa;动态响应特性良好,开启时间t_1≤30 ms,关闭时间t_2≤63 ms。(2)硬补偿方法能有效补偿水深压力:水下(2 km以浅)工作时,电磁阀的相对启闭压力、响应时间等与系统工作压力有关,而与水深无关。可为海洋机电装备的水深压力补偿系统的设计提供新方法。     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

基于连续小波变换的柴油机气缸工作状态检测

为实现装甲车辆柴油机气缸工作状态不解体检测,在实车上模拟了失火故障,测取了不同状态下排气口附近的噪声信号;利用合适尺度下的连续小波变换(CWT),获得了具有明显幅值调制特征的周期性排气噪声低频成分;经过H ilbert变换幅值解调,提取最大幅值归一化包络信号的方差为特征参数,建立了一种柴油机气缸工作均匀性评价与失火故障检测的新方法。应用结果表明,该方法切实可行。     

基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取

针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法。为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化。使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构。多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势。采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取。行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于熵权模糊综合评价的故障模式危害性分析方法研究

针对现有的几种故障模式危害性分析方法存在的评价指标不全面、模糊数据信息的客观权重难以确定、计算过程繁琐的不足,在综合考虑故障发生概率、严重程度、检测难度、维修难度等因素的基础上,提出将纠正难度纳入评价指标体系,采用熵权模糊综合评价法进行故障模式危害性分析。提出了一种新的模糊数明晰化指标,详细介绍了熵权计算模型和熵权模糊综合评价模型的计算过程,通过某型综合传动装置故障模式危害性分析实例,证明方法是合理的。     

超声红外热像技术中预紧力对金属平板振动特性的影响

在超声红外热像检测过程中,超声脉冲激励下被测对象的振动状态直接决定了缺陷区域的生热效果,而工具杆与被测对象之间的预紧力是影响被测对象振动状态的重要因素之一。试验结果表明:预紧力的增大使得振动能量呈上升趋势并伴随着小范围不稳定,同时被测对象的振动频谱由混沌振动开始,经历次谐波、准次谐波后达到超谐波振动状态。针对上述现象,采用显式动力学方法建立了与试验条件相对应的有限元模型,并进行了瞬态动力学分析。模型采用压电-力类比方法来模拟压电陶瓷的逆压电效应,同时引入了动态松弛来更准确模拟试验工况。仿真结果验证了试验观察到的现象,并进一步揭示了预紧力的增大将改变超声工具杆和被测平板之间的接触力状态,从而改变被测试件的振动能量分布和振动频谱。研究成果有助于实现通过预紧力来控制被测对象振动状态,进而达到优化超声红外热像检测的目的。     

GA-SA算法在有限元模型更新中的应用

有限元模型的更新旨在最小化实验结果和仿真结果之间的差异,因此可以被看作一个优化问题.引入混合优化算法GA-SA到一个过盈热套配合的转轴有限元模型更新中,该算法由遗传算法(GA)和模拟退火算法(SA)构成.以转轴上安装有质量套筒处轴段的有效刚度直径为更新参数,以轴系的前4阶实验固有频率和计算的固有频率之间的绝对误差建立优化算法的目标函数,比较了初始有限元模型输出、经GA-SA、GA、SA优化后的有限元模型输出和实验结果之间的差别.同时还通过比较更新模型输出的频率响应函数与模态实验的频率响应函数之间的差异来检验模型更新的有效性.结果表明GA,SA和GA-SA都是很强的优化算法,可以成功地应用于有限元模型更新,经优化算法更新后的模型能够给出比初始模型更接近于实验结果的输出,但是基于GA-SA的更新模型能够给出比基于GA或者SA的更新模型更接近于实验结果的固有频率和频率响应函数输出.     

基于卷积神经网络的超声红外热图像分类

在超声红外热像技术应用中,从红外热图像来判断被测对象是否含有裂纹,通常需要先基于人工经验,从红外热图像中提取特征再采用某种模式识别方法进行分类,裂纹的识别与定位过程繁琐且识别率较低。为此,提出一种基于卷积神经网络技术的超声红外热图像裂纹检测与识别方法,其特点是可以直接从超声红外图像中学习特征进而实现是否含有裂纹红外热图像的分类。通过实验得到的含裂纹和不含裂纹金属平板试件的红外热图像,建立卷积神经网络模型对图像中是否含有裂纹进行分类,研究结果表明,参数优化后的卷积神经网络模型对超声红外热图像的有无裂纹分类准确率达到98.7%。