基于Hilbert能量重心法的轴承状态识别方法研究

状态识别是机械系统状态监测中重要的一环,而信号的特征提取又是其中的重要一步。时域中特征中有幅值、峰-峰值等,频域中有各阶频率幅值等,上述指标各有其优缺点。时频分析中。局域波利用了希尔伯特变换的瞬时频率的概念,使得它在信号的时频表示方面得心应手。本文以轴承在10Hz、15Hz、25Hz下正常、内环故障、外环故障为例利用希尔伯特能量重心值为特征来对希尔伯特能量重心进行研究和验证。     

基于状态空间模型的可靠性评估方法

基于设备性能退化特征的可靠性分析是可靠性技术研究重要方向之一,但当前许多研究是基于多样本进行分析,但针对单个设备的可靠性预测问题非常有限,为此本文提出基于状态空间模型的可靠性方法进行小样本预测。首先通过在线监测技术获得反映设备状态的信号,运用小波分析方法提取监测信号的小波包能量,选取趋势明显符合设备状态变化的相关频带能量作为设备退化指标。然后对这些特征指标进行滑动平均滤波处理,提高了退化特征的信噪比,将其作为状态空间模型的输入对模型参数进行估计,从而建立退化指标的状态空间预测模型,最后预测退化指标的概率分布并计算可靠度。结合滚动轴承试验数据和铣刀磨损数据验证方法的准确性和有效性,本文为小样本事件的可靠性预测提供一个有效方法。     

OLAP在教学质量评价中的应用研究

教学质量评价是反应教师教学能力和教学成果的重要依据,对于促进高校教学水平的提高具有极其重要的意义,本文针对教学质量评价中存在的问题,利用数据挖掘联机分析处理技术,展开对教学质量评价体系的研究。     

利用随机共振的叶片裂纹微弱信息增强方法

离心式压缩机叶片作为压缩机内最重要部件,长期承受周期性振动和流动诱使激励的作用。而叶片的故障将对压缩机的运行以及现场安全可靠性有严重的影响,因此如何有效地识别压缩机叶片裂纹早期故障显得尤为重要。由于叶片裂纹故障属于低频微弱故障,通常被调制到叶片通过频率处,但是故障频率难以识别,清晰度较低。首先在叶片通过频率处进行信号滤波,然后应用Woods-Saxon and Gaussian Potential随机共振模型对特征频率进行加强,从而得到叶片裂纹故障频率。通过在叶片裂纹附近安装压力脉动传感器,利用压力脉动信号对叶片裂纹信息进行监测。实现模拟叶片裂纹的信号测试,验证了WSG随机共振模型在叶片裂纹早期故障识别中的有效性以及可靠性。同时通过应变试验进行验证此方法的有效性。     

基于分数阶Fourier变换的经验模式分解方法研究

在分析了经验模式分解(EMD)及分数阶Fourier变换的基础上,提出了一种基于分数阶Fourier变换的经验模式分解方法,并且深入探讨了该方法的分解特性.对仿真和实际振动信号的分析结果表明,对直接采用经验模式分解分析结果不够明确的信号,基于分数阶Fourier变换的经验模式分解方法对信号进行分析是比较有效的方法.     

齿轮箱减振降噪优化设计方法研究

对某试验用齿轮箱进行了模态贡献量与面板声学贡献量分析,确定齿轮箱运行过程中箱体振动主要贡献模态和噪声辐射面板;结合振速法原理,对箱体表面振动与辐射噪声的关系进行了分析,实现基于有限元方法对箱体进行稳态振动响应求解与主要面板辐射声功率级的计算;将主要贡献模态固有频率和面板辐射声功率级作为目标函数,编制APDL的优化求解程序对齿轮箱箱体实现了减振降噪优化,得到了箱体各壁面的最优壁厚组合.结果表明,该方法具有很好的减振降噪效果,为齿轮箱的优化设计提供了借鉴意义.     

基于数据挖掘的质量监控和评价软件设计与开发

近年来,随着数据挖掘技术的不断更新与完善,无论是应用范围还是应用深度都是大幅度增加。随着学校教学规模的不断扩大和校内管理体制改革的不断深化,质量监控和评估已经成为学校管理的重要手段。本文首先对数据挖掘的质量监控评价进行探索,以及数据挖掘软件设计与开发进行分析,希望能够为有关的研究人员提供一些帮助。     

运用小波包峭度包络的滚动轴承故障诊断

根据滚动轴承振动信号的性质,提出了一种基于小波包系数、峭度最大值原则及包络谱分析的滚动轴承故障自动诊断方法.首先,用小波包将信号分解到不同的频段上,再对不同频段的小波包系数计算其峭度值;然后,根据峭度值最大原则,自动确定由轴承缺陷所引起的共振频率所在的频带;最后,对该频带的小波包系数进行包络谱分析,以确定故障频率.此方法能够提高滚动轴承故障诊断的可靠性和便捷性.     

基于压缩感知和加噪堆栈稀疏自编码器的铣刀磨损程度识别方法研究

数控机床在加工过程中,刀具磨损会对被加工零件的表面质量、尺寸精度产生巨大影响,而传统依靠切削力系数来分析刀具磨损的方法,需要在工作台上安装额外测力装置,这将干扰机床正常加工,限制被加工零件尺寸,引起加工质量降低等问题,限制了其在实际工业环境中的应用。针对上述问题,提出利用主轴电流结合深度学习网络识别铣刀磨损状态的监测方法。首先,理论论证利用主轴电流代替切削力识别刀具磨损的可行性;然后,利用压缩感知对电流信号的频域数据进行数据压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;最后,将压缩后的数据输入堆栈稀疏自编码网络,利用有监督学习与无监督学习相结合的方法,提取刀具磨损所引起的特征信息,用于表征刀具磨损程度。试验结果表明,该方法可以有效对铣刀磨损程度进行识别。     

考虑模态耦合的球头铣刀颤振稳定域建模方法

球头铣刀广泛应用于曲面加工中,因此构造出针对球头铣刀的颤振稳定域叶瓣图意义重大。利用精细积分法对铣削系统二阶动力学方程进行时域数值求解,由切削刃与切触区域不同时刻的关系,确定出时域数值求解方程中所需要的刀刃瞬时切削部位,通过Floquet定理获得了高精度的颤振稳定域叶瓣图,并在三轴数控机床上进行了正确性试验验证。试验结果与预测结果相一致,表明所提供的方法能够为球头铣刀实现无颤振切削加工提供有力的技术支撑。