考虑齿距累积误差的人字齿轮系统动态特性分析

基于Timoshenko梁理论和有限单元法,引入时变啮合刚度和综合啮合误差,建立了人字齿轮系统动力学模型,研究了齿距累积误差对人字齿轮系统动态特性的影响。研究表明:齿距累积误差使动态传递误差出现显著的轴频成分和调制边频带。当负载扭矩较小时,边频成分大于啮合频率及其倍频成分,随着负载扭矩的增加,啮合频率及其倍频成分逐渐增强。当齿距累积误差相位不同时,人字齿轮系统将出现明显的轴向窜动现象。同时,齿距累积误差相位差对系统振动影响显著,通过调整相位差可以显著降低系统振动。研究结果可为人字齿轮系统低噪声设计加工与装配提供理论依据。     

空间站大柔性太阳电池翼驱动装置的滑模伺服控制

针对空间站大柔性太阳电池翼高稳定对日跟踪驱动控制问题,提出了一种带运动规划和振动抑制的非线性快速终端滑模伺服控制方案。推导了太阳电池翼驱动状态方程、永磁同步电机动力学模型,同时考虑驱动装置传动间隙、静/动摩擦力矩切换等非线性传动特性,在动力学建模基础上设计高次样条运动规划、位置环积分分离调节器、速度环快速终端滑模变结构调节器的组合控制系统。通过对太阳电池翼对日跟踪过程的仿真校验,表明设计的控制方案可实现大惯量、超低频太阳电池翼较高的驱动速度稳定度和较好的跟踪精度。     

齿轮-轴承系统非线性振动混沌吸引子周期轨道控制

考虑轴承支撑齿轮传动系统建立了含多间隙的系统非线性动力学模型,模型中考虑了时变啮合刚度和综合传动误差等因素。基于OGY混沌控制改进策略对高维非双曲齿轮系统实施了多周期混沌控制,采用Newton-Raphson迭代法搜寻了P1、P2、P4和P8等多组不稳定周期轨道(Unstable Periodic Orbits,UPO)不动点,求解了各UPO解对应的Jacobi矩阵特征值和局部参数敏感度矢量,结合Poincaré截面等工具解析了混沌吸引子向P10周期轨道转换时的轨道间隔及迁移特性。在2 000周期步下对混沌吸引子实施了P1、P2、P4、P8和P10等多种周期组合式控制,结果表明在状态转换阶段,尤其30周期步内控制参数摄动量发生激增,此后恢复稳定且保持与目标控制轨道相同周期的状态演化;多周期轨道持续控制时周期状态越高,控制难度越大,所需参数摄动量相应增加。研究结果在理论上有助于齿轮系统混沌响应减振控制。     

基于局部切空间排列和最小二乘支持向量机的气缸压力识别

为了提高缸盖振动信号恢复气缸压力的识别精度,提出一种基于局部切空间排列(LTSA)和最小二乘支持向量机(LSSVM)的气缸压力识别方法。首先提取缸盖振动信号时域、频域及小波包能量域特征,组成高维特征集,利用LTSA算法提取高维特征集的低维本征流形特征,然后把降维后的特征参数集作为LSSVM模型输入,缸压信号作为LSSVM模型输出,通过多个样本对LSSVM模型进行训练,从而获得气缸压力的重构模型。试验结果表明:基于局部切空间排列和最小二乘支持向量机的气缸压力识别方法具有精度高、泛化能力强等优点。     

姿态受控柔性臂空间机器人的自适应神经网络容错控制及残振抑制

针对执行器发生部分失效故障的漂浮基姿态受控柔性臂空间机器人系统,研究了执行器故障的容错控制及柔性臂杆残余振动的主动抑制。结合假设模态法、线动量守恒定理和第二类拉格朗日方程建立了系统的动力学微分方程。基于奇异摄动理论将系统分解为一个表征载体姿态与关节轨迹跟踪的慢变子系统和一个表征柔性臂杆残余振动的快变子系统;据此设计了由慢变子系统的自适应神经网络容错控制器与快变子系统的线性二次型最优调节器组成的复合控制器;其中,慢变子系统的容错控制器使得系统对执行器故障不敏感,保证了跟踪误差的渐进收敛;快变子系统的最优调节器可以有效地抑制柔性臂杆引起的残余振动,减少能量损耗。对比数值仿真校验了理论推导的正确性与复合控制策略的可行性。     

噪声干扰下的RV减速器故障诊断

在实际工况下,旋转矢量(Rotate vector, RV)减速器的振动信号往往掺杂噪声。被噪声污染后的振动信号给RV减速器的故障诊断带来挑战。为此,提出一种噪声干扰下的卷积神经网络模型(Anti-noise network, ANNet)以实现RV减速器的故障模式识别。该模型首先将一维振动信号通过信号堆叠的方式转化成二维灰度图像,然后采用Dropout操作直接对原始输入信号进行随机干扰,并同时利用多个不同尺度的卷积核对输入信号的不同特征进行自动提取和融合。进一步将ANNet算法与其他算法进行了对比分析,结果表明在不同强度的噪声干扰下,ANNet算法相比于其他算法具有更强的抗噪干扰能力;尤其是在强噪干扰环境下,ANNet模型的诊断准确率比现有算法高出10%～20%。最后探讨和解释了模型的特殊结构设计以及模型具备抗噪能力的原因。     

某水电站地面明钢管自振特性与减振研究

结合某水电站地面明钢管实际工程,采用有限单元法研究了管内脉动压力作用下明钢管斜直段后段采用垫层管形式对钢管振动的影响。结果表明:采用垫层管形式可分散明钢管低频段的各阶自振频率,并使铅直向与上下游方向上具有较高有效模态质量的自振频率得到提高。垫层管形式对低频脉动下明钢管斜直段具有明显的减振效果,但不利于高频脉动下的钢管抗振;在低频脉动压力作用下通过减小垫层管垫层包角到一定值可以进一步提高减振效果。     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

叶轮时序对多级泵振动特性影响的试验测试

叶轮时序效应对于旋转机械的振动性能有着重要的影响。以实验测试研究了叶轮时序效应对一台五级离心泵振动特性的影响。采用正交设计方法设计了8个实验方案,在多级泵5个不同位置进行振动特性的测量,包括进口轴向、进口出口的水平和垂直方向。结果表明,时序效应对多级泵水平方向上振动的影响大于垂直方向上振动的影响,所有测点的振动谐频都位于1×fn、2×fn、3×fn和4×fn。叶轮时序效应对每个谐频幅值都存在重要的影响,在不同的方案下,1×fn、2×fn、3×fn和4×fn上幅值的最大变化可达17.7%、10.0%、33.2%和47.4%。对比各方案,发现调整第二和第三泵级叶轮的时序位置,可以获得较好的整泵振动特性。