基于性能退化和材料损伤表征的高铁齿轮箱体故障诊断

高铁齿轮箱体的服役环境恶劣,疲劳和拉伸损伤同时存在,服役周期长,缺少故障损伤数据.为此,针对高铁齿轮箱体的服役特点和安全性需求,采用基于性能退化方法,利用声发射技术对箱体损伤过程进行监测,并提出一种利用Adaboost调整样本分布的方法建立退化模型来表征箱体损伤状态.通过对箱体损伤过程的声发射信号进行分析,实现箱体的有效故障诊断,将箱体拉伸损伤故障诊断的绝对误差控制在30s以内,疲劳损伤故障诊断的相对误差基本控制在1.1{%     

工业CT的高铁齿轮箱体材料缺陷识别

高铁齿轮箱是高速列车的重要部件,为保障高铁的安全、稳定运行,需要对高铁齿轮箱箱体出厂及检修时的铸件内部缺陷进行检验,并对箱体内部缺陷实现自动、准确的分类和识别.基于此利用三维工业CT技术,设计实验获取到高铁齿轮箱体材料的4种内部缺陷的三维体数据,根据齿轮箱体内部缺陷的物理背景知识,对三维体数据进行特征提取,设计Adaboost_BTSVM多分类算法,实现基于三维工业CT的箱体材料内部缺陷的自动分类识别,并使重点关注的收缩类缺陷的分类准确率达到85%以上、裂纹类缺陷的分类准确率达到100%,为实现高铁齿轮箱箱体材料的缺陷自动识别提供技术保障.     

基于声发射信号的铝合金材料损伤表征识别

随着高速铁路的不断提速,高铁轻量化设计中广泛采用高强铝合金材料,但高速列车齿轮箱体服役安全评价亟待完善.本文针对高速列车齿轮箱体使用的铝合金材料服役特性,搭建了声发射检测拉伸试验系统,运用BP神经网络算法对声发射信号进行训练与识别,实现对箱体材料拉伸损伤表征识别与材料服役状态的安全预警.本研究为材料损伤状态的无损实时识别提供了一种识别与预警方法.      

利用双向SOFM网络模拟汉字认知过程的研究

在汉字的认知过程中有“字优效应”和“字劣效应”,前者认为在汉字认知过程中整字信息优于部件或笔画信息,后者反之。以自组织特征映射算法为理论基础,提出了一种双向自组织特征映射(SOFM)网络,利用自组织网络实现根据汉字和部件多维表征的聚类,并建立两层网络之间的连接关系,通过双向测试,得到不同构型汉字所具有的字优效应和字劣效应,从新的角度实现了SOFM的应用。研究结果对于汉字教学方法有一定的参考价值。     

FeCo/PPy纳米复合材料的合成及其电磁性能调控

为进一步改善电磁波吸收材料的阻抗匹配、提高吸收强度,本工作以液相还原法制备不同反应时间的FeCo磁性纳米颗粒,经表面修饰后通过原位氧化聚合,合成不同系列的FeCo/PPy纳米复合材料。结果表明,当FeCo反应时间为2h时,所合成的FeCo/PPy复合材料在14.45GHz、匹配厚度为2mm时最小反射损耗可达-38.19dB,有效带宽为5.45GHz(12.24～17.69GHz)。磁性纳米颗粒引入聚吡咯,有效降低了聚吡咯的复介电常数,优化了阻抗匹配,降低了对电磁波的反射;同时,在FeCo磁性纳米颗粒的磁损耗、PPy的介电损耗以及异质界面极化损耗等多重作用下,FeCo/PPy纳米复合材料对电磁波有着较好的吸收性能。