2015欧洲粉末冶金大会的金属增材制造:高温合金、粉末雾化、喷墨和激光金属沉积工艺的进展

2015欧洲粉末冶金会议于2015年10月4—7日在法国兰斯(Reims)举行。本届大会报告的第二部分是关于金属增材制造的进展,David博士就会议中有关金属增材制造的6篇论文作了报告。这些论文涵盖了IN939高温合金制件的热处理、Ni718高温合金粉末的生产、喷墨金属增材制造和激光金属沉积(LMD)生产齿轮的进展。     

汽轮机转子故障诊断中LMD法和EMD法的性能对比研究

针对仿真信号和实验转子故障信号,对局部均值分解(LMD)法和经验模态分解(EMD)法的性能进行了对比研究,提出端点效应的评价指标和基于LMD法的转子不平衡、转子碰摩和转子油膜涡动的故障诊断方法,对基于EMD法和基于LMD法的信号分解结果进行对比分析.结果表明:LMD法分解转子振动信号时的模态混叠现象较EMD法分解时的模态混叠现象不明显;LMD法抑制端点效应的能力强于EMD法;LMD法的诊断结果更精确,能有效应用于汽轮机转子故障诊断中.     

基于LMD和平滑Teager能量算子解调的电机滚动轴承故障特征提取

作为电机转子的支撑元件,电机轴承故障在电机故障中占有很大比例。针对电机滚动轴承振动信号多分量调幅调频的特点,提出一种基于局域均值分解(LMD)和平滑Teager能量算子的电机轴承故障特征提取方法。该方法首先通过LMD将多分量调制信号分解为若干个单分量调制信号,再运用平滑Teager能量算子对包含主要故障信息的分量进行解调,从而准确地分析出轴承的故障特征。模拟和实例证明了该方法的有效性。     

基于形态学的一种齿轮故障微弱信号提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（SVD）、局域均值分解（LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

基于小波阈值的通风机故障特征提取应用研究

为了对原始信号进行有效的降噪,从而获得的客观的煤矿主通风机的振动特征,确保通风机故障的诊断,采用小波阈值的方法,分析了小波阈值降噪的基本思路以及小波去噪阈值的选取原则;对小波降噪的特点进行分析,对比了小波分析和傅里叶变换分析2种方法下的去噪能力,研究为通风机故障的诊断提供了理论基础。     

基于LMD和灰色关联度的故障诊断方法研究

针对高压隔膜泵单向阀故障振动信号的非平稳特性,提出基于局部均值分解法(LMD)和灰色关联度理论相结合的故障诊断方法。首先,利用LMD将高压隔膜泵单向阀不同运行状态下的振动信号分解成多个乘积函数。然后,计算所有乘积函数的互相关系数,并从中选择互相关程度高的乘积函数来提取相应的特征向量。最后,引入灰色关联度理论,构建单向阀故障诊断识别模型,并与基于经验模态分解法(EMD)以及基于混合特征建模、单一特征建模得到的结果进行了对比分析。实验表明,所提出的方法可以较好地分解单向阀故障信号,并有效地识别了小样本条件下的单向阀故障信号。     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

基于C8051F020与LMD18200的运动控制平台

设计了以混合信号微控制器C8051F020和运动控制H桥组件LMD18200构成的运动控制平台,以C8051F020为控制核心,以LMD18200作为电机驱动器,对多个直流电机进行精确的位置和速度控制.该平台辅助以多超声传感器、红外探测传感器、旋转编码器等,能直接应用于各种小功率智能运动设备和自主移动机器人.     

基于自适应互补LMD方法的谐波检测与分析

针对电力系统信号非线性、非稳态的特征,自适应分解方法具有高效简便的处理优势。但此类方法在加噪参数选择时存在需要人为经验性确定的缺点,为此,提出一种自适应互补LMD(ACLMD)方法。该方法通过对加噪辅助分解方法噪声准则的研究,引入间距标准差(STD)与信噪比(SNR)两个参数作为分解性能评价指标,自适应确定最优加噪幅值与集总分解次数,且加噪形式采用正负成对的形式,抑制了分解过程中的残余噪声。并对标准LMD方法特征提取步骤进行改进,将分解所得的乘积函数进行Hilbert变换提取瞬时特征参数,消除了阶跃分量干扰下纯调频函数提取范围的限制。最后将改进的方法运用在谐波检测中,通过仿真实验验证所提方法既可以有效提取谐波的特征参数,也可以准确定位扰动的时间,且具有一定的抗噪性能。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.