基于RF-PCA-改进SVM模型的齿轮故障诊断方法

为提升齿轮故障诊断的正确率,提出了基于随机森林(Random Forest,RF)和主成分分析法(Principal Components Analysis,PCA)对齿轮振动信号进行特征降维处理,并采用粒子群算法(Particle Swarm Optimization,PSO)求解支持向量机(Support Vector Machine,SVM)特征参数最佳取值的齿轮故障诊断模型(RF-PCA-改进SVM模型)。对齿轮箱实例中正常、断齿、齿根开裂、剥落、削尖等9种不同状态进行了验证,证明了RF-PCA-改进SVM模型对齿轮故障诊断的有效性。试验结果表明:通过对比不同诊断模型识别率,证明RF-PCA-改进SVM模型具有更优的齿轮故障识别率,平均达到了99.66%,且计算效率较高;样本数量改变虽然会影响模型正确识别率,但不同的改变方式对识别率影响的程度不同,对于RF-PCA-改进SVM模型,当齿轮状态数据大于40个时即可达到88%以上的正确识别率。     

基于遗传编程的无量纲指标在行星齿轮箱故障诊断中的应用

针对传统的信号处理方法较难获取行星齿轮箱故障特征和有量纲指标在变工况情况下诊断失效的问题,提出将无量纲指标应用于行星齿轮箱故障诊断的方法。首先分别计算行星齿轮箱在不同故障模式下振动信号的七个无量纲指标,然后用遗传编程的方法构建新的复合诊断指标,最后将该复合诊断指标在变载荷、变转速工况下对不同的故障模式进行区分。实验结果表明,该方法可以识别行星齿轮箱在不同工况下的故障状态,验证了其有效性。     

数控加工中心批量生产铝合金零件的方法

在实际生产中,当铝合金零件批量不大、款式较多、尺寸较小的情况下,利用铝合金压铸模具的方法生产零件就会显得非常不经济,且周期较长。这种情况下,笔者以“发烧级遥控油动赛车的齿轮箱组件”加工方法为引例。对如何利用加工中心,采用合理的加工工艺及科学的装夹方法批量生产铝合金零件进行了探讨。     

采煤机齿轮箱故障诊断方法

针对采煤机齿轮箱运行过程中很容易发生润滑不良或异常磨损等故障的问题,提出了一种基于偏最小二乘回归的采煤机齿轮箱故障诊断方法。选取采煤机齿轮箱内润滑油的铁元素含量、黏度、酸值和水分为检测指标,在对数据进行初值化及主成分提取处理后,建立了采煤机齿轮箱磨损状态的偏最小二乘回归模型。采用某煤矿采煤机齿轮箱的实际运行状态诊断对该偏最小二乘回归模型进行了检验,结果表明在齿轮箱正常磨损情况下,润滑油中铁元素含量实测值与预测值的误差较小,故障情况下二者误差较大,从而可准确判断出齿轮箱的磨损状态和故障情况。     

动车组齿轮箱吊杆有限元分析及试验验证

以某动车组齿轮箱吊杆为研究对象,依据ASME V&V标准对建立的吊杆有限元模型进行网格精度校核,并在此基础上对吊杆在极限载荷下的静强度进行计算分析。通过分析结果与试验结果的对比,验证齿轮箱吊杆有限元模型的可靠性。     

Abaqus重启动分析技术在风力机齿轮箱弹性支撑强度分析中的应用

齿轮箱弹性支撑强度分析系统大、组件多、网格多和工况多,常规的有限元分析时间很长、效率很低.采用Abaqus的重启动分析技术,对风力机齿轮箱弹性支撑进行强度分析,将复杂分析工况进行简化,大大地缩短分析时间,提高分析效率,且对分析精度没有影响.     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

低速重载大型齿轮箱的故障诊断

低速重载大型齿轮箱都有低于0.01Hz的微冲击振动信号且难以提取,给诊断工作带来很大困难;而采用基于小波分层突变系数的趋势图和间接判断等方法来提取损坏零部件的早期故障特征,效果较好.它可为预知维修提供决策依据,防止突发故障.     

一种新型风力发电系统

本文主要介绍一种新霉的风力发电机系统，该系统的特点是新型高压风力发电机(Windformer)能够产生高压直流，通过直流电缆进入逆变系统后可直接输入普通电网，中间无需再通过变压器进行升压处理。且具有结构简单、组成部件少、低噪声、大容量、环保、可再生利用等优点。     

齿轮传动故障模拟试验台的试制

设计了齿轮箱故障模拟器，对齿轮断齿或磨损、联轴器不对中、基础松动等振动故障进行了模拟，设计了合理的加载装置，并对故障模拟波形进行了频谱分析。