顺应形势发展 深化教学改革

随着经济体制改革的不断深入 ,技工教育面临更加严峻的挑战。技工学校要生存和发展 ,教学改革势在必行。1　以市场需求为目标 ,合理制定教学计划　　进入 90年代以后 ,随着经济体制转轨的加速和企业职工的大量下岗 ,劳动力市场陡然表现出供大于求的严峻形势 ,企业对就业者的选择十分挑剔。加之科学技术的迅猛发展 ,尤其是高科技在企业的广泛应用 ,生产的自动化、智能化、综合化程度呈现出越来越明显的态势 ,必然要求将过去那种以主要培养单项技能突出 ,岗位针对性强的专能人才观转变为培养具有一专多能的复合型人才观 ,这无疑给技工教育提出…     

基于支持向量机的齿轮故障分类

齿轮是旋转机械中的关键元件。提出了一个基于支持向量机的齿轮多故障分类方法。齿轮状态被划分为正常、齿轮磨损和断齿状态。振动信号的均方根和小波包能量被选作为分类器的特征参数。分类器选用支持向量机（SVM）。SVM具有良好的实用性及多分类能力。实验结果表明：提出的方法能很好地区分齿轮故障。     

基于粒子群优化核主元分析的轴承状态识别

轴承状态识别的准确率与特征提取紧密相关,而特征提取对轴承状态识别显得尤为重要.因时频域的各个特征对不同程度的故障信号敏感度各不相同,特征提取不当将会造成状态识别准确率下降.针对上述问题提出粒子群优化(PSO)核主元分析(KPCA),并利用该方法对轴承的复合特征集进行特征提取,提取后的特征向量构成识别特征集,由优化的支持向量机识别分类.选用美国凯斯西储大学滚动轴承试验台的振动数据进行处理分析,通过3种实验方案进行验证.结果表明,提出的方法明显改善了轴承状态识别的准确率.     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断,结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发、也机组的故障进行了诊断,诊断结果是正确和有效的。     

基于灰色关联度的旋转机械故障智能诊断系统研究

介绍了基于灰色关联度的旋转机械故障智能诊断机理,分析了如何建立典型故障参考模式特征向量矩阵。通过计算待识别故障模式与典型故障参考模式的关联度序列,比较关联度的大小,从而确定故障类型。系统应用Matlab软件计算关联度,同时采用Matlab中的GUI可视化界面输出诊断结果,使诊断系统操作简单、直观。     

基于灰色关联度的汽轮机故障智能诊断研究

介绍了基于灰色关联度的汽轮机故障智能诊断机理,分析了如何建立典型故障参考模式特征向量矩阵.通过计算待识别故障模式与典型故障参考模式的关联度序列,比较关联度的大小,从而确定故障类型.应用Matlab软件计算关联度,同时采用Matlab中的GUI可视化界面输出诊断结果,使诊断系统操作简单、直观.     

混合动力汽车电机驱动系统监测与控制研究

通过串口通信实现混合动力汽车电机驱动系统的电池组电压、电流和加速踏板位置等信号的实时采集、处理和显示,并对驱动系统进行诊断;采用PWM(脉宽调制)技术控制电动机速度;上位机(PC机)程序采用Delphi高级语言编写,下位机(单片机)程序采用C语言编写。通过对系统调试与模拟仿真,表明所设计的系统有效和可行。     

基于单片机的微弱光电信号检测系统

采用单片机作为系统的主要控制芯片,由光电传感器采集微弱光信号,经放大电路放大,利用单片机内部的A/D进行模数转换,由LCD显示,实现了微弱光电信号的检测,且可利用串行通信接口与上位机进行数据通信。该系统具有检测快速、准确等优点,可应用于物品表面光泽度的检测。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。