用随机无网格法和免疫算法分析结构可靠性

本文首先用摄动随机无网格伽辽金法(PSEFGM)求解随机结构的响应。摄动随机无网格伽辽金法具有不需要划分单元和精度高等特点。然后应用人工免疫遗传算法对结构可靠性进行了分析。人工免疫遗传算法是一种新的综合人工免疫算法和遗传算法的智能优化算法,它避免了遗传算法易出现早熟。搜索效率低和不能很好地保持个体多样性等问题。数值实例表明在随机结构可靠性分析方面随机无网格迦辽金法与人工免疫遗传算法具有明显的优势和广泛的应用前景。     

本体驱动的机械设备诊断维护知识建模

为了提高机械故障诊断的准确性与可靠性,引入了诊断维护知识的语义表示方法。通过对设备结构信息、维护经验知识以及诊断行为过程进行建模,建立了本体驱动的故障诊断推理模型。提出了设备运行状态与故障征兆之间的本体映射算法,并根据征兆空间到故障案例空间的映射关系进行实例匹配,完成了静态维护知识与动态诊断过程的统一,从而实现自动化、智能化的故障诊断与维护决策。将所建立的本体驱动的故障诊断推理模型应用于某转子故障诊断,得到了准确、实时的诊断结果。     

基于形态分量分析的滚动轴承故障诊断方法

在改进形态分量分析阈值去噪方法的基础上,提出了基于形态分量分析的滚动轴承故障诊断方法。形态分量分析根据信号中各组成成分的形态差异,构建不同的稀疏表示字典对各组成成分进行分离。当轴承出现局部损伤时,其振动信号往往由以包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。谐振分量表现为信号中的平滑部分,而冲击分量则表现为信号中的细节部分,因此,可根据谐振分量与冲击分量的形态差异,实现二者的分离。本文方法利用形态分量分析对滚动轴承故障信号中的谐振分量、冲击分量和噪声分量进行分离,然后根据冲击分量中冲击之间的时间间隔诊断滚动轴承故障。算法仿真和应用实例表明,本文方法能有效地提取滚动轴承故障振动信号中的故障冲击成分。     

基于有限元法的模糊参数二维声场数值分析

为了分析不确定性二维声场,引入模糊集概念描述声场的物理参数、载荷和边界条件的不确定性,推导了分析模糊参数下二维声场问题的相关计算公式。在不同隶属度的截集下通过对模糊动刚度矩阵和模糊载荷矩阵进行泰勒展开,再用纽曼展开对模糊动刚度矩阵泰勒展开式的逆进行转化,采用摄动有限元法求解,最终得到模糊参数下的声压解集。以二维管道声场模型和某轿车二维声腔模型为研究对象分析了模糊参数下的声压响应,结果表明该文方法能有效分析模糊参数下的二维声场,具有重要的工程应用价值。     

基于ADAMS的汽车主动悬架虚拟实验台的设计

基于ADAMS/View建立了1/4汽车麦弗逊悬架模型,并运用ADAMS/Hydraulic模块,建立了主动悬架的液压伺服系统,设计了汽车主动悬架虚拟实验台。以阶跃输入、模拟路面输入和随机路面输入作为激励,对比分析了汽车主动悬架系统在理想控制力和液压伺服作用力作用下采用PID控制器的控制效果,以验证汽车主动悬架虚拟实验台的有效性。仿真结果表明,基于ADMAS的汽车主动悬架虚拟实验台,其跟随理想控制力的能力较强;与被动悬架比较,其车身的垂直加速度、悬架变形和车轮动载荷都明显降低,控制效果好。     

自适应线调频基原子分解方法研究

提出了一种新的多分量非平稳信号分解方法——自适应线调频基原子分解方法。该方法能自适应地将一个复杂信号分解为若干个具有一定物理意义的PF分量,其中每个PF分量为一个包络信号和一个纯调频信号的乘积。与经验模式分解、局部均值分解和Wigner-Ville分布对仿真信号分析结果进行对比,结果表明,该方法具有良好的时频聚集性和较高的抗噪性能与分析精度,不存在二次型时频分布干扰,非常适用于非平稳振动信号的分解。对齿轮箱振动信号的分析结果验证了该方法在工程应用中的有效性。     

基于约束函数的变胞机构变胞方程

变胞机构拥有多个变换的稳态和变胞态,其拓扑构态描述与分析是变胞机构结构学的难点。采用数学分析方法,探索全面、简便而准确地描述和分析变胞机构构态拓扑结构的问题。根据运动副约束的特征,定义反映运动副类型、级别、自由度、方位、性质及其随时间变化情况等诸多特征信息的参数——运动副约束函数,采用矩阵法构建以约束函数为元素的机构变胞源运动链邻接矩阵。针对合并构件、分离构件、改变构件性质、新增运动副、消除运动副及改变运动副性质等六类机构变胞方式,分别定义相应的机构变胞函数和变胞矩阵,建立相邻稳态之间变胞态的机构变胞方程。应用实例表明,所定义的运动副约束函数、运动链邻接矩阵、变胞矩阵和变胞函数等概念能简便、广泛地描述变胞机构的构态特征,基于约束函数的机构变胞方程能准确地描述和分析机构相邻稳态之间变胞态的变换过程,为变胞机构的结构分析提供一种新的途径和方法,并为进一步的变胞机构运动学和动力学分析以及机构综合研究提供理论基础。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

用BP神经网络诊断结构破损

提出了一种基于BP神经网络的结构破损诊断方法,该方法以结构残余力向量作为破损诊断的网络输入。对网络训练样本采用广义空间格点法进行了变换,从而较好地解决了由于系统响应样本在数据空间分布不均对网络收敛速度及网络诊断精度的影响问题。应用实例表明,本文方法能准确诊断结构破损位置与严重程度,是一种有效的结构破损诊断方法。