防喷器密封性能自动化检测技术的研究与应用

本文浅要谈了防喷器密封性能自动化检测技术组成,工作原理以及系统主要参数和系统原理图,最后总结了防喷器密封性能自动化检测系统几个关键技术问题。     

基于全自动热喷涂技术的电力设备零部件涂层制备工艺研究

变电设施常常服役于空气环境中,容易受到腐蚀的影响,对设备进行表面改性处理可以大幅改善设施的防腐蚀性能,提升其使用寿命。全自动热喷涂技术作为一种新型表面改性方式,是通过热源将合金加热至熔融或半熔融状态并涂覆与基体表面的技术。本文对其工艺参数进行了系统研究,发现当喷涂速度为0.1m/s,涂层厚度最大(700μm)、孔隙最小(2.1%)、性能最佳。喷涂距离对涂层孔隙率的影响较大,在距离为180mm,孔隙率达到最低(4.3%),此外还可根据对涂层厚度需求以及孔隙率的大小选择合适的喷涂电压和电流。对最佳参数条件下热喷涂铝涂层的试样进行盐雾试验。发现涂层表面会发生氧化腐蚀,生成以Al(OH)₃为主的腐蚀产物并在涂层表面形成致密的氧化膜。此外,产生的腐蚀产物还可以填补热喷涂过程中形成的孔隙,阻止腐蚀介质继续向涂层内部渗入。     

绝压传感器中陶瓷/钛合金焊接技术研究

高温绝对压力传感器需要形成耐高温的真空密封腔。对实现真空封装过程中陶瓷/钛合金焊接技术进行了研究,焊接过程中由于存在焊接应力,容易发生陶瓷碎裂情况,通过设计焊接尺寸、选择金属化材料、设计降温过程、试验设计工艺参数,实现了较高要求的真空封装,并对焊接后的试验件进行了试验分析,结果表明:焊接强度和密封腔体的漏率满足实际产品应用要求。     

基于微/纳米加工技术的微型电化学免疫传感器研究

生物传感器的研制越来越趋向于微型化、集成化、智能化以及无创伤的方向发展.研制基于微/纳米加工技术的电化学免疫传感器顺应了这一趋势,利用微电子机械系统(MEMS)技术在硅基芯片上制备微型三电极系统和SU-8微型池,并采用自组装单层膜和纳米金修饰微型电极表面用于抗体的固定化,研制出新型的电化学免疫传感器.研究表明,这种微型电化学免疫传感器易于实现批量生产,便于集成,检测过程只需要少量的样品,大大降低有毒试剂的消耗,减少环境污染,同时具有分析成本低,响应时间快,检测下限低和适用于现场快速检测等优点.     

基于EEMD和变尺度随机共振的轴承故障诊断

提出了一种基于集合平均经验模式分解(EEMD)和变尺度随机共振(STSR)的滚动轴承故障提取方法.首先通过EEMD对含噪振动信号进行自适应抗混分解,得到不同频带的本征模态函数(IMF);然后将不同频带的IMF作为双稳系统的输入,通过变步长数值算法和调节非线性双稳系统的结构参数来提取微弱低频故障特征信号;最后运用切片双谱对双稳系统的输出进行后处理.仿真分析验证了STSR的特性,通过对强噪声背景下的滚动轴承实测信号分析表明,该方法充分利用高斯白噪声,能有效提取滚动轴承微弱故障特征.     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解（Local Mean Decomposition,LMD）和遗传神经网络自适应增强（Genetic Neural Network Adaptive Boosting,GNN-Adaboost）的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数（Production Function,PF）,对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数（方差、偏度、峭度）,组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。     

基于词袋模型和极限学习机的轴承故障诊断

特征提取为设备故障诊断的关键步骤,现有特征提取主要基于时域、频域和时频域方法,但在噪声大、混合故障多发、变转速等复杂工况下应用受限.提出一种基于词袋模型(BoW,bag of words)的振动信号故障诊断方法.该方法改变了传统基于一维信号进行故障诊断的模式,首先将一维振动信号转换成二维灰度图像信号,结合图像处理的方法来实现故障诊断.同时针对一维振动信号升维的过程中忽略了信号的空间特性这一不足,引入极限学习机对算法优化,并以滚动轴承为研究对象验证了方法的有效性.     

基于MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.     

基于支持向量机的滚动轴承质量检测方法

介绍了基于支持向量机的分类机制,分析了滚动轴承振动信号的特点和质量检测的要求,提供了振动信号特征的选择方法。在此基础上,建立了基于支持向量机的滚动轴承检测方法,实例证明该检测方法是完全可行的:能够同时满足检测的实时性和灵活性要求。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果...     

基于融合分析的感应电机轴承故障检测方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,求出三相电流的Park矢量模信号,并将其与电机滚动轴承振动信号经解调处理后的包络信号进行融合分析。可以从振动信号与电流信号的融合谱图中有效地提取轴承故障特征信息,并将其作为故障识别的依据。实验结果表明,本文检测方法具有较高的信噪比,提高了诊断的可靠性。