全断面掘进机推进液压缸推压力的确定

全断面掘进机工作时的运动主要由推进液压缸推动机身的前进运动和旋转电机带动刀盘的转动组成，掘进机推进压缸的推压力是确定掘进机推进液压缸缸数和液压缸大小的主要设计参数，也是确定掘进机工作中推进力大小的依据。本文对常用的液压缸推压力公式作了修正。     

液压系统故障特征提取方法研究

针对液压系统故障特征不清楚、诊断特别困难的难题,提出利用EEMD分解与相关性分析相结合的液压系统故障特征提取方法。首先用EEMD分解液压故障信号得到一组IMF分量,从中筛选出与故障信号自身相关系数大的IMF分量作为一组故障的候选IMF分量集;再在故障信号的IMF分量中筛选出与正常信号相关系数小的IMF分量,作为另一组故障的候选IMF分量集;两组候选IMF分量集的交集确定原故障信号的主要故障特征IMF分量,作自功率谱分析即可得到所提取IMF分量包含主要故障特征频率,并通过所提取IMF分量与正常信号的互功率谱验证特征提取的正确性。用该方法准确提取出液压实验台泄漏故障特征IMF分量以及故障特征频率。     

全断面岩石掘进机盘形滚刀径向破岩力预测

本文以全断面岩石掘进机现场实测数据为基础，经分析，综合，假设论证，导出了掘进机盘形滚刀所受径向破岩力的预测公式，这些公式的计算结果与多次现场实测结果相吻合，可作为设计和确定全断面岩石掘进机刀具，轴承，刀盘以及整机强度和寿命的依据。     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

EMD自适应三角波匹配延拓算法

波形匹配延拓是遏制经验模态分解（EMD）端点效应的有效方法,针对现有波形匹配延拓方法的不足,提出了一种自适应的三角波形匹配延拓方法,改进了三角波匹配度的计算方法和匹配子波的寻优算法。改进的三角波匹配度计算方法,突出延拓平顺性的同时,加强了端点处数据与内部波形的关联。自适应的匹配寻优算法,首先在固定极值点对应的波段内部搜寻局部最佳子波的截取时刻,截取局部最优匹配子波,然后在局部最优子波内搜寻全局最优匹配子波,提高了子波截取的合理性与匹配的准确性。仿真信号及实验信号分析表明,该方法可有效抑制EMD端点效应,显著提高分解精度。     

受到随挠度而变化的运动载荷时梁的响应与动力稳定性

本文讨论了受到随挠度而变化的运动载荷时梁的动力稳定性和横向振动。随挠度而变化的运动载荷由机械操作中的切削刀所激发。本文使用伽辽金方法得列一组具有周期系数的常微分方程已经发现,在一连续序列的运动载荷作用下参数不稳定性可以同样被预测到,也可计算随运动挠而变化的响应。     

小波去噪与奇异性检测相结合诊断动静件短暂碰磨故障发生区间

机组启动后的轻微、短暂碰磨故障只在机械运动件和静止件碰磨的瞬间出现一段故障信息,一般方法很难精确定位故障发生的准确时间区间.利用小波去噪与小波奇异性检测相结合的方法,对机组动静件碰磨故障信号进行诊断,通过对仿真信号和实测信号详细分析,精确定位了短暂碰磨故障发生的时间区间.该方法对于识别轻微、短暂碰磨故障发生的原因、故障信息特征、类型及故障的严重程度等有重要的应用价值.     

虚拟现实技术在齿轮箱故障诊断中的应用

分析了齿轮箱振动噪声产生的机理及其噪声特性,构建出了基于虚拟现实技术的齿轮箱故障诊断系统,设计出了由振动测试、数据采集和计算机信号处理组成的硬件平台,采用Visual Basic高级语言编写了相应的应用软件,可以实现齿轮箱的实体造型和故障的三维动态模拟显示,该设计方案和诊断系统具有较好的理论价值和应用前景.     

现代信号分析在变速箱故障诊断中的应用

本文简要概述了伪魏格纳分布和连续小波变掏基本理论，给出了齿轮箱故障振动信号的基本模型，对振动信号分别用传统的能量谱、伪魏格纳分布及连续小波变换进行分析和对比，实验结果表明时频域分析方法与传统谱分析相对比故障信号具有列强的表达能力，表达更为直观。     

基于Hammerstein模型的挖掘臂伺服系统参数辨识

液压挖掘臂伺服系统是复杂非线性系统,针对线性模型难以准确反映系统动态的特性,采用包含静态非线性模块和动态线性模块的Hammerstein模型来描述该系统。Hammerstein模型中的线性模块采用离散自回归模型(ARX),非线性模块则采用分段多项式基函数。利用多频率正弦激励与角度输出信号,采用带遗忘因子的递推最小二乘法实现线性与非线性模块参数的解耦辨识。通过对比实验分析辨识所得Hammerstein模型与ARX模型,得Hammerstein模型误差比线性模型误差减小约77%,结论表明采用Hammerstein模型描述挖掘臂伺服系统是有效可行的。