共查询到16条相似文献,搜索用时 62 毫秒
1.
2.
依靠MTS809拉扭试验机,开发研制了一个可用于多轴疲劳试验与分析的MTS应用软件MTSMFS(MTS'Multiaxial Fatigue Software)。分析处理中引入了两个典型多轴疲劳损伤模型的寿命回归。在软件结构和程序文本编制上借鉴了MTS710单轴标准软件包的优秀成分。作为实例,对某机车扭力杆材料42CrMoA进行了多轴疲劳试验。结果表明MTSMFS是一个可成功揭示材料多轴疲劳性能的应用软件。 相似文献
3.
4.
5.
低周疲劳精密下料新工艺及试验研究 总被引:3,自引:0,他引:3
传统的金属棒料下料工艺存在着材料利用率低、能耗高、生产效率低以及下料断面质量差等问题。采用一种新的下料工艺-周向加载低周疲劳精密下料技术,利用V形槽的应力集中效应,促使棒料V形槽底尖端处疲劳裂纹的萌生及疲劳裂纹的快速扩展。描述周向加载低周疲劳精密下料机的工作原理。给出在低周疲劳下棒料V形槽根部裂纹是否起裂的判据。采用两种控制曲线对5种材料(20钢、H59、45钢、20Cr和LY12)的棒料进行试验研究,实现加速棒料裂纹的产生、扩展并获得良好的棒料断面质量。试验结果表明,V形槽的应力集中效应可以有效地减小棒料下料过程中的平均应力,在不断增加打击位移的同时减小冲击频率可以保证棒料裂纹的稳定扩展和断裂。 相似文献
6.
7.
由于电机结构及其运行环境复杂,导致各类故障与故障特征存在较强的非线性关系,单一信号信息含量有限,无法满足诊断需求。针对此问题,以电流、磁场信号为监测信号,提出基于注意力机制改进的支持向量机-自适应提升算法(SVM-AdaBoost,简称SAB)的故障诊断方法。首先,通过希尔伯特变换和快速傅里叶变换提取信号频域特征;其次,通过SAB分类器,对多源样本分别进行训练,获取各子分类器预测结果;最后,基于注意力机制调整权重矩阵参数,对电流、电磁信号进行信息融合,改进SAB分类器以提高故障诊断的准确率。研究结果表明:不同信号对各类故障的敏感程度不同;所提方法可以实现对转子断条故障、定子短路故障、轴承故障的诊断分类,与传统方法对比,该方法明显提高了故障诊断的鲁棒性和准确性。 相似文献
8.
针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(1D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义. 相似文献
9.
针对电动机轴承早期故障信号非线性非平稳性特征,造成故障信号特征提取和故障诊断困难,提出一种改进的基于添加自适应白噪声的完备集合经验模态分解与支持向量机结合的电动机轴承故障诊断方法。将美国凯斯西储大学测得的电动机轴承正常运行、滚动针体故障、外圈故障、内圈故障共4种信号分别用CEEMDAN和EEMD进行分解,得到多个模式分量,再将IMF能量法计算得到的特征向量引入支持向量机,进行电动机轴承故障识别。试验对比研究表明,该方法能更有效进行电动机轴承早期故障识别。 相似文献
10.
由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。 相似文献
11.
总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。 相似文献
12.
13.
基于改进Hilbert-Huang变换的机械故障诊断 总被引:13,自引:1,他引:13
Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性. 相似文献
14.
15.
针对液压马达故障诊断中特征提取的瓶颈问题,提出一种基于Petri网的液压马达故障诊断方法。以叶片式液压马达为例,分析液压马达常见的故障及原因,利用Petri网的知识表示方法提取故障征兆和故障原因,建立基于petri网的液压马达故障诊断模型,经过Petri推理,结果表明该方法是有效的。 相似文献
16.