基于信息熵的裂纹转子动力特征分析与诊断方法

针对裂纹转子系统运行过程中的非线性、非平稳突变性等复杂特征,运用信息熵特征提取和融合分析方法,将裂纹转子系统动力分析与参量识别方法有机结合,分析裂纹转子在不同状态下响应参量随转速变化的信息熵特征及变化规律,实现裂纹转子动力响应特征参量的信息熵定量描述;在此基础上,将理论方法用于裂纹转子系统实测信号的分析诊断,并构建小波神经网络模型对裂纹转子信息熵特征曲线进行识别,实现裂纹转子系统故障状态诊断,验证理论方法的有效性.     

基于非线性支承参数的涡轴发动机燃发转子不平衡量识别

本文针对实际工作中的涡轴发动机不平衡量难以监控的现状,提出了一种基于非线性支承参数的涡轴发动机燃发转子不平衡量的识别方法。建立转子动力学有限元模型,以转子台上转子测点工频信号为目标,采用Pointer优化器开展不平衡量识别,通过反馈迭代识别SFD的阻尼和刚度。以某真实发动机转子的不平衡量开展识别验证,识别结果符合实际转子不平衡量变化规律,该识别方法计算效率满足工程要求,为发动机整机振动响应仿真分析中的不平衡量施加提供输入条件。     

自适应BP神经网络的转子系统载荷识别的研究

为了研究振动信号与系统所受载荷的耦合关系,提出了BP神经网络的识别方法。以拉格朗日方程为基础,建立了机械转子轴承系统的弯扭耦合方程,得到了基于系统位移和扭转角响应的系统运算方程。在MATLAB/simulink环境下建模,使用信号发生器模拟加载并对其进行仿真,构建自适应算法的BP神经网络模型,利用振动位移对实验的载荷进行识别。研究结果表明,在对转子系统进行载荷识别时,自适应BP神经网络方法相对简单且有更高的识别精度,平均相对误差为2.15%。     

高速滚动轴承-转子系统时变轴承刚度及振动响应分析

高速滚动轴承广泛应用于机床主轴、航空发动机等转子系统中。在复杂运行工况下,滚动轴承的刚度表现出强烈的时变特性和非线性特性,往往是系统非线性的主要根源。考虑离心力、陀螺力矩、轴承内圈离心膨胀和热变形等因素,建立高速滚动轴承力学模型,计算轴承的时变刚度。将滚动轴承非线性模型与转子有限元模型集成,建立滚动轴承-转子耦合系统动力学模型。以FAG角接触球轴承(HCB7012E)为例,分别计算静载荷作用下的内外圈轴向、径向相对位移,并与舍弗勒轴承分析软件BearinX?的计算结果进行比较,验证了模型对静态位移仿真的精度。在不同轴承预紧状态下,仿真滚动轴承-转子系统在不平衡激励下的振动响应,并与试验结果比较,验证了模型仿真系统动态响应的精度。利用一个背对背安装的角接触球轴承-转子系统,研究在静载荷、不平衡载荷激励作用下滚动轴承刚度的变化规律,并计算时变轴承刚度作用下转子的时域振动响应及频域特征,为高速滚动轴承-转子系统设计、动力学分析与故障诊断提供依据。     

单级齿轮传动系统有限元节点动力学模型及高速动态性能分析

研究用有限元节点建模方法建立考虑轴、齿轮转子陀螺效应的单级齿轮传动系统动力学模型,计算得到系统固有特性,与有限元软件和试验测量得到的结果进行对比,三种方法得到的系统固有频率具有一致性,验证有限元节点动力学模型有效性。由转子动力学稳定性理论计算得到系统的涡动临界转速等高速动态性能参数与响应特征,建立的齿轮轴系动力学模型为高速齿轮系统的设计及稳定性分析提供了基础参考。     

轧辊磨床托瓦松动的动力学建模及振动特性分析

由于轧辊磨床托瓦松动故障的动力学行为直接影响磨削工作状态,故基于磨床双时延模型,建立了轧辊磨床托瓦松动的动力学模型,研究了托瓦松动时磨削系统的动力学特性。通过对正常工况和不同间隙托瓦松动工况的仿真分析,获得了相应的振动响应和包络谱特征,仿真结果与试验数据较一致,验证了轧辊磨床托瓦松动的动力学模型的有效性和准确性。     

基于SIMPACK仿真分析的高速列车蛇行失稳识别方法

高速列车的横向运动稳定性不仅会影响列车的运行品质,还影响车辆的运行安全。现有的高速列车失稳在线监测方法大多是对高速列车大幅蛇行失稳状态进行识别,然而高速列车的小幅蛇行失稳状态很难被准确有效地识别出来。为此,提出了一种基于信号分析的蛇行失稳识别方法,不但可以识别出大幅蛇行失稳,而且可以识别出小幅蛇行失稳。首先通过SIMPACK软件建立高速列车动力学仿真模型,再现高速列车运行过程中出现的稳定、小幅蛇行失稳和大幅蛇行失稳状态;再对仿真结果的构架横向加速度进行分析,利用信号的周期性差异,计算其自相关系数并设定阈值,以此来识别小幅蛇行失稳状态和大幅蛇行失稳状态;最后通过实验数据验证了所提出的监测方法的有效性。     

积油转子系统的仿真

以某型号航空发动机的简化转子系统为研究对象,在明确多体系统动力学基本原理的基础上,采用ADAMS软件平台,建立了积油转子系统的仿真模型,并对其动力学特性进行了仿真研究,获得了积油转子系统的固有频率和振动响应.同时,将仿真获得的响应结果与试验测试结果进行了对照,以验证仿真模型的有效性.结果表明:相对于共振状态下的计算误差,仿真模型在非共振状态下的仿真计算误差更小,两类振动响应的误差最大不超过30%.     

某高速履带式装甲车悬挂系统动力学仿真

基于多刚体动力学理论建立了高速履带车辆悬挂系统与地面作用的动力学模型,基于贝克理论建立路面,研究了高速履带车辆在工况为爬行60°坡时悬挂系统的动力学响应问题,分析了车辆爬60°坡在2种不同路面上左、右履带的平均转矩,并且和计算求得理论转矩进行比较,分析得出仿真数据和理论数据误差率在5%内,模型特别考虑了履带对履带车辆动力学响应的影响.     

基于轴箱振动与动力学模型驱动的高速列车车轮失圆状态识别方法

针对高速列车车轮失圆识别难以兼顾效率与精度问题,提出一种基于轴箱振动与动力学模型的高速列车车轮失圆状态智能识别方法。首先,利用静态检测设备采集车轮非圆原始数据,提出一种数据增强技术构建车轮非圆增强数据集。其次,将增强数据集输入至高速列车车辆—轨道耦合动力学模型,获取车轮不同失圆状态下轴箱振动样本集。最后,通过构建恰当结构与配置参数的一维卷积神经网络(1-dimensional convolutional neural network,1-DCNN),可对轴箱振动信号进行自适应特征提取,实现对车轮失圆状态的智能识别分类。结果表明：提出的车轮失圆状态智能识别方法能实现正常车轮、多边形车轮、擦伤车轮、随机非圆化车轮与局部缺陷车轮5类车轮失圆状态的智能分类,准确率达99.2%(标准差为0.05),且单个样本平均识别耗时为0.4 ms。结合现场试验,所提方法对实测轴箱振动具有较好识别能力,测试精度为95%。与经典的SVM和BP神经网络相比,1-DCNN模型具有更高的识别准确度。     

基于多源信息融合的行驶工况识别及其在整车转矩分配中的应用

传统的行驶工况判别方法多采用单参数或者双参数进行判别,为提高工况识别精度,针对混合动力汽车双动力源的特点,提出一种多源信息融合的汽车行驶工况识别方法,基于Daubechies小波对多传感器采集到的时间序列进行分解,利用单支小波重构的方法获得每个传感器不同频段下分解信号的数据特征信息,然后基于变属性权重的模糊C-均值聚类方法将不同传感器不同频段的数据特征信息进行一次聚类识别;最后对不同频段下同一工况的隶属度值加权,采用SOM自组织映射网络进行二次聚类融合实现最终的行驶工况识别。将本文所提方法应用于混合动力汽车整车转矩分配中,不同工况下调用不同的转矩分配三层前馈神经网络模型,以提高整车的经济性能。试验结果验证了本文所提方法的有效性。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

基于MATLAB的刀具磨损状态分析

通过对刀具磨损状态与影响因素间因果关系的分析,利用Matlab中的Neural Network Toolbox仿真环境和BP模型算法建立了用于刀具磨损状态分析与控制的神经网络模型,详细论述了模型结构的设计、数据处理、网络初始化、训练与仿真的过程.实际表明,基于Matlab的刀具磨损状态分析能有效地提高效率及直观地显示结果,对提高机械加工效率与加工质量具有积极作用.     

压电工作台的神经网络建模与控制

建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响.采用双Sigmoid激活函数对神经网络激活函数进行了改进,同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同.设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型,推导了网络权值、阈值及激活函数阈值修正公式.最后,基于神经网络模型设计了压电工作台的自适应控制方案,该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整.实验结果表明:提出的神经网络在线辨识模型平均误差为0.095 μm,最大误差为0.32 μm;自适应控制方案跟踪三角波的平均误差为0.070 μm,最大误差为0.100 μm;跟踪复频波的平均误差为0.80 μm,最大误差为0.105 μm.实验数据显示压电工作台的定位精度得到了有效提高.     

DIAGNOSTICS OF FATIGUE CRACK IN ULTERIOR PLACES OF LARGER-SCALE OVERLOADED SUPPORTING SHAFT BASED ON TIME SERIES AND NEURAL NETWORKS

To improve the diagnosis accuracy and self-adaptability of fatigue crack in ulterior place of the supporting shaft, time series and neural network are attempted to be applied in research on diag-nosing the fatigue crack’s degree based on analyzing the vibration characteristics of the supporting shaft. By analyzing the characteristic parameter which is easy to be detected from the supporting shaft’s exterior, the time series model parameter which is hypersensitive to the situation of fatigue crack in ulterior place of the supporting shaft is the target input of neural network, and the fatigue crack’s degree value of supporting shaft is the output. The BP network model can be built and net-work can be trained after the structural parameters of network are selected. Furthermore, choosing the other two different group data can test the network. The test result will verify the validity of the BP network model. The result of experiment shows that the method of time series and neural network are effective to diagnose the occurrence and the development of the fatigue crack’s degree in ulterior place of the supporting shaft.     

遗传神经网络在轴系故障诊断中的应用

为解决BP神经网络收敛速度慢以及容易陷入局部最优解的问题,将遗传算法与BP神经网络相结合应用于轴系故障诊断中。首先设计了船舶柴油机轴系模拟实验平台,然后利用小波包分解技术分析了轴系故障时的振动信号,并将其能谱熵作为故障模式的特征向量,最后对轴系的4种运行状态进行了故障识别与分析。仿真结果表明,GA-BP算法预测精度要高于传统的BP算法,适用于轴系的状态监测和故障诊断。     

基于小波神经网络的非线性动态系统辩识

采用一种新型小波神经网络对非线性动态系统进行辨识。通过优化组合小波基元激励函数 ,大大减小了小波神经网络的规模 ,改善了网络学习特性。仿真结果表明 ,该网络结构及其学习算法简单有效 ,逼近精度高     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

基于SVM和BP神经网络的轴系故障诊断

阐述SVM（support vector machine）和BP（back propagation）两种神经网络的基本原理和算法,将其应用于柴油机轴系的故障诊断与识别,建立轴系故障的SVM故障诊断模型,并与BP神经网络进行对比分析研究。结果表明,SVM和BP神经网络都具有精度较高的故障识别能力,但SVM整体性能优于BP神经网络,具有较快的训练速度和较强的非线性映射能力,非常适用于轴系的状态监测和故障诊断。