共查询到13条相似文献,搜索用时 0 毫秒
1.
为研究柴油机在贫油润滑状态下活塞环-缸套摩擦副的润滑特性,以活塞环-缸套摩擦副为研究对象,基于平均雷诺方程和微凸体接触模型,建立活塞环-缸套摩擦副一维混合润滑模型,并在该模型的基础上,根据来流油膜厚度计算贫油状态润滑域,得到贫油润滑模型。通过贫油润滑模型,对不同载荷、不同频率、不同贫油程度对润滑油膜厚度、摩擦力、摩擦因数等参数的影响进行仿真。结果表明:在贫油润滑时油膜厚度分布规律与富油润滑时的分布规律类似,但油膜厚度与润滑区宽度均小于富油润滑;微凸体承载力占比增大,动压润滑效应被削弱,摩擦因数增大。 相似文献
2.
基于摩擦振动信号的多重分形特征,提出利用多重分形去趋势波动分析(multi-fractal detrended fluctuation analysis,MF–DFA)和支持向量机(support vector machine,SVM)相结合的方法识别缸套—活塞环磨损状态。在Bruker UMT—3摩擦磨损试验机上进行了柴油机气缸套—活塞环的摩擦磨损模拟试验。应用总体模态分解(ensemble empirical mode decomposition,EEMD)方法对测取振动信号进行降噪处理,获取能够表征摩擦副表面接触特性的摩擦振动信号。通过MF–DFA方法计算得到不同磨损状态下摩擦振动信号多重分形谱,由多重分形谱构造特征向量,通过差分进化(differential evolution,DE)算法对SVM参数进行优化,识别不同摩损状态。试验结果表明,正常磨损状态识别准确率为100%,磨合磨损状态和急剧磨损状态识别结果存在轻微混淆。所提方法可以实现缸套—活塞环不同磨损状态的识别。 相似文献
3.
基于振动信号分形特征的柴油机缸套磨损诊断 总被引:1,自引:0,他引:1
提出了一种基于总体经验模态分解(EEMD)与形态学分形维数的柴油机缸套磨损诊断方法,以某6缸四冲程柴油机为研究对象,测试并分析了柴油机缸套4种状态下机体振动信号的形态学分形维数。研究结果表明:利用含噪振动信号的分形维数来描述缸套磨损状态是不可靠的,实测信号降噪后的形态学分形维数能够清晰地区分柴油机缸套磨损状态。 相似文献
4.
分别从气缸套-活塞环的磨损失重、基于分形方法的摩擦力矩盒维数分析等方面通过实验研究了不同润滑状态下气缸套-活塞环磨合过程中磨损失重和摩擦力矩的变化规律。结果表明:随着磨合磨损时间的延长,磨损量逐渐增加,磨损率呈下降趋势,摩擦力矩的盒维数呈上升趋势;在不同的润滑方式下,摩擦力矩分析比磨损失重分析更能定量地描述气缸套-活塞环在磨合期内的摩擦磨损特性。 相似文献
5.
针对缸套-活塞环磨合过程摩擦力矩的变化特点,提出一种用分形维数描述摩擦力矩信号复杂性的新方法。从工程应用角度介绍摩擦力矩信号盒维数的计算方法,通过试验研究了缸套-活塞环磨合过程中摩擦力矩信号盒维数的变化规律。结果表明:随磨损失重的增加,摩擦力矩信号盒维数呈上升趋势,且在不同的磨损状态下,摩擦力矩信号盒维数上升趋势不同,运用摩擦力矩信号盒维数可有效地评价磨合磨损过程。 相似文献
6.
7.
8.
发动机湍流预混燃烧的火焰结构具有自相似性,将分形技术这一新的非线性方法技术引入对湍流预混火焰结构的研究中,基于自行设计的以光学发动机和高速摄像机为核心的试验系统,得到了湍流预混燃烧的火焰结构图像.利用修正数盒法的分形图像处理方法,得到了描述湍流预混燃烧火焰的分形维数特征.在此基础上,对于发动机转速、空燃比、点火提前角和燃料性质等参数对火焰分形维数的影响规律进行了探索性的研究.研究结果表明,湍流预混燃烧火焰的分形维数在燃烧期内先随曲轴转角增加而增加,在达到最大值后,随曲轴转角增加而减小,证明在燃烧中期,火焰锋面具有最大的扭曲度;发动机转速的增加、点火角的提前、混合气的加浓均会使燃烧火焰的分形维数均有不同程度的增加.因此表明上述因素会使燃烧进行得更为剧烈,火焰结构的扭曲程度加强,火焰传播速度加剧. 相似文献
9.
利用声发射(AE)技术对摩擦润滑状态进行在线监测。采用小波多分辨率分析技术抑制由阀门开关和燃烧震荡引起的大幅值声发射AE信号,并采用阈值降噪的方法提取出由粘滞摩擦力引起的声发射信号。然后运用小波包络分析计算冲程中部的声发射信号幅值的平均值作为评价活塞环-缸套系统润滑状态的指标。试验结果显示:冲程中部的声发射信号能够有效地表征活塞环-缸套的摩擦润滑状态,并能够通过声发射指示标准区分不同类型的油品对系统润滑状态的影响。其中,声发射信号的幅值随着载荷的增大而小幅增大,且随着转速的增大而明显增大。研究结果充分证明了声发射监测技术在活塞环-缸套摩擦润滑状态在线监测的有效性。 相似文献
10.
11.
12.
针对传统流场分析方法难以提取非线性与高维度数据特征的问题,结合自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)与分形盒维数对速度、压力和涡量等时程数据进行分解、筛选及重构,并结合深度学习建立尾流特征识别模型,以实现翼型特征和流动攻角的反向预测。结果表明:当训练集和测试集数据来自同一翼型时,所提模型对流动攻角的识别率最高可达98.8%,当数据来自不同翼型时,准确率仍可达95.6%,验证了所提模型的准确性、可行性及泛化性。 相似文献