排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
可倾瓦轴承瓦块的摆动性增加了系统的自由度,对轴承油膜动力系数计算有很大影响,而目前的研究在计算流体动压润滑可倾瓦轴承油膜动力系数时未考虑轴颈与瓦块扰动频率的影响。针对这一问题,对考虑扰动频率的可倾瓦轴承动力学建模及动力系数计算方法进行研究,提出考虑扰动频率的可倾瓦轴承频率-缩减(Frequecy-Reduced)动力学模型,详细推导考虑扰动频率的可倾瓦轴承频率-缩减油膜动力系数矩阵形式。采用Newton-Raphson迭代法计算给定载荷和转速工况下的轴承的静平衡位置,利用有限元数值方法求解油膜刚度系数与阻尼系数。结果表明,瓦块和轴颈的扰动频率对可倾瓦动压轴承动态刚度和阻尼影响较大,随着扰动频率增大,阻尼系数的直接项增大,阻尼系数的交叉项变化不大;刚度系数的直接项数值减小,交叉项变化不大。 相似文献
2.
3.
4.
开展自生静压流体支点浮动可倾瓦轴承的润滑机理及浮起特性研究.首先推导考虑内层静压孔与外层静压腔之间的流量连续方程,提出内外层油膜厚度公式.采用有限元方法求解内层动压润滑与外层流体静压润滑Reynolds方程,分析了流体支点浮动瓦轴承初始工作机理,得出轴瓦浮起需要满足两个要求的重要结论:第一轴瓦外层具有一定的初始间隙,第二应满足一定的静压腔面积比的要求.在理论上分析了一种轴颈为100 mm的流体支点轴承,在轴承初始工作状态下,如果要满足轴瓦浮起条件,其静压腔面积比取值范围应为0.16至0.18之间.在此基础上采用Newton-Rapson法建立单瓦流体支点轴承数值迭代计算模型,分析了在单块流体支点浮动瓦承载形式时轴承静态特性随偏心率变化规律,发现在单瓦承载情况下,底瓦浮起高度与静压孔流量比随着偏心率增大而逐渐减小;在相同偏心率下,静压孔直径增大,浮起高度与静压孔流量都相应随至增大.静压腔压力、瓦块承载力、内层最大油膜压力以及内层摩擦功耗都是随着偏心率的增大而逐渐增大;此外外层摩擦功耗随着偏心率增大而增幅较小,并且在较高偏心率下,逐渐稳定,其中内层摩擦功耗比外层摩擦功耗大得多;当流体支点单瓦承载时,轴承受到静态载荷作用下,瓦块摆动角度是为0°.通过与已有文献的试验数据进行对比分析,验证了本文计算模型的准确性. 相似文献
5.
6.
针对实测的主轴位移信号存在噪声污染的问题,提出一种稀疏表征特征提取算法(简称稀疏算法),该算法包括字典集构造和稀疏系数求解两个步骤:根据转子信号的周期性特点构造余弦字典,采用匹配追踪算法根据内积最大原则求解稀疏系数。采用该算法对低信噪比仿真信号中的单个频率和多个频率成分分别进行提取,提取信号的波形与对应的理想信号波形几乎完全重合,从而验证了所提算法的有效性。将此稀疏算法用于大型滑动轴承试验台转子的轴心轨迹提纯,效果优于谐波小波算法。采用笔者提出的算法得到的轴心轨迹清晰、集中,成功识别了转子的晃荡以及不对中状态。此外,该算法同样适用于其他旋转机械的状态识别。 相似文献
7.
针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型(deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM)。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。 相似文献
8.
将传统可倾瓦的机械刚性支点改进为液压支撑,提出一种主动减振可倾瓦轴承——柔性支承可倾瓦轴承。基于有限差分法提出一种新的轴颈中心平衡位置迭代计算方法,通过MatLab编程计算轴承平衡状态的动态特性参数;建立柔性支承可倾瓦轴承内外部油膜等效质量弹簧阻尼系统动力学模型,并对柔性支承可倾瓦轴承-转子系统的稳态及瞬态响应等减振特性进行仿真分析。研究结果表明:双层油膜轴承综合支承刚度小于单层油膜轴承支承刚度,综合支承阻尼在一定条件下会大于单层油膜系统支承阻尼;相比单层油膜轴承,柔性支承可倾瓦在满足一定条件下具有良好的减振特性。 相似文献
9.
10.
针对传统主成分分析(principal component analysis, 简称PCA)方法中有效主成分的选择依赖于先验知识的缺点,提出利用协方差矩阵特征值差分谱的概念来描述有效主成分与次要成分的特征值差异性。首先,通过理论推导得出奇异值与特征值之间关系,即奇异值与特征值之间存在平方关系;其次,利用差分谱理论进一步研究了Hankel矩阵方式下PCA信号处理原理;最后,提出一种基于差分谱理论的PCA算法,通过仿真信号验证该算法的有效性。研究结果表明,根据协方差矩阵特征值差分谱的最大峰值位置可自动选择有效主成分的个数,且通过不同谱峰之间的分量信号的组合可以提取出不同的频率成分。将此PCA算法用于大型滑动轴承试验台转子的轴心轨迹提纯,提纯效果优于传统PCA算法。 相似文献