变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

泄水闸堰前冲刷机理及减淤措施研究

低水头航电枢纽堰前泥沙淤积将导致检修闸门无法正常启闭,影响到泄水闸的检修、维护工作。针对此问题,建立了用于研究闸前三元流的泄水闸物理模型及数学模型,运用动床物理模型试验和三维数学模型计算研究了闸前的三维流场及紊动能分布,并观测了闸门不同调度方式下的堰前冲沙效果。结果表明: 泄水闸堰前泥沙启动不仅与闸底水流流速有关,也与闸前的水流流态及紊动强度有关,紊动能的增强对泥沙启动的影响作用明显;闸门隔孔开启时水流受挡水闸阻水作用,在闸前近壁区水流下潜形成漩涡,闸前呈现复杂的三元流流态;复流态下的紊动能显著增加,强烈的紊动造成闸前床面泥沙大量启动,比连续开启泄水闸更有利于泥沙的起动,达到较好冲刷效果。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于S变换与深度学习相结合的滚动轴承故障诊断方法研究

滚动轴承是机械设备中的重要组成部分,因其故障种类繁多,例如故障位置可能出现在轴承的内圈、外圈或者滚动体,故障的尺度又深浅不一,并且其工作环境往往在强噪声背景下,所以传统的信号处理与分类方法很难做到有效地分类识别。针对这一问题,提出一种基于S变换时频分析提取特征与深度学习故障分类的滚动轴承故障的智能识别方法。首先将原始时域数据经过S变换得到二维特征矩阵,再将特征矩阵输入到稀疏自动编码器(Sparse Autoencoders,SAE)中进一步提取其隐含特征,并通过神经网络实现故障的分类。实验结果表明,应用上述方法可以有效地实现对不同位置、不同故障尺度的滚动轴承故障实现准确的诊断。     

影响铁路工程不同阶段造价控制的因素及应对策略

当前,火车和高铁已成为重要的交通工具,而铁路作为其运输轨道的关键基础设施,是促进区域经济发展的主要交通运输形式.现阶段,我国每年都会建设数千公里的铁路,因此控制好铁路工程造价对铁路运营和减少国家财政支出来说,具有非常积极的意义.基于此,本文通过分析铁路工程不同阶段的造价控制因素,提出了相应的应对策略,有利于提高施工企业的市场竞争力.