变摩擦力下板带轧机辊系垂直-水平耦合振动特性

考虑轧辊振动情况下轧制界面间变摩擦力因素影响,基于Orowan变形区力平衡理论建立了垂直和水平方向的动态轧制力模型.在此基础上考虑轧机结构振动的影响,建立了板带轧机垂直-水平耦合非线性振动动力学模型.运用多尺度法对该系统进行求解,得到了系统的幅频响应方程,并采用1780轧机参数进行仿真,分析了非线性参数对幅频特性的影响.最后采用奇异性理论分析该耦合系统的分岔行为,得到该耦合系统在2参数平面内的6组不同转迁集及分岔图,这为进一步抑制轧机辊系振动提供了理论指导.     

基于变分模态分解的冻结步态识别方法

针对传统帕金森患者冻结步态识别方法自适应性不佳的问题,提出一种基于变分模态分解的冻结步态识别方法.首先采用变分模态分解代替传统时频分析方法对冻结步态信号进行充分的自适应分解.其次为提高算法识别精度和识别速度,选用CART模型作为集成分类器的基分类器并进行特征降维处理.最后针对不平衡数据集和单分类器性能有限的问题,进行了数据采样-集成分类器的设计并通过贝叶斯优化对识别算法进行超参数寻优.实验结果表明,相对于AdaBoost、Tomeklinks-AdaBoost和ROS-AdaBoost集成算法,RUSBoost集成算法可以更高效地完成冻结步态识别任务.     

金属塑性加工工作界面非稳态润滑轧机振动控制

针对轧机垂直系统经常发生的自激振动现象,综合运用轧制理论、流体力学理论、润滑摩擦理论以及机械振动理论,建立考虑辊缝非稳态润滑过程轧机系统振动模型。该模型综合运用工作界面上的轧制力模型、界面摩擦模型、工作辊运动模型构成的界面薄膜约束多重耦合模型,定量分析一些主要参数对轧机垂直自激振动临界速度和振幅的影响。研究结果表明:轧制润滑乳化液的黏度越大,振动的临界速度越低;轧件的出口厚度越小,入口厚度越大,振动临界速度越低;轧件的变形抗力越高,振动临界速度越低;轧辊、轧件的表面粗糙度越高,轧机振动临界速度越高;轧辊半径越大,振动临界速度越高;轧机垂直系统本身的正阻尼(工作辊间阻尼以及压下油缸阻尼)越大,振动临界速度越高,振幅也越小;轧制速度越高,振幅越大。     

模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.     

基于支持向量机的轧机压下系统辨识

通过对轧机压下液压控制系统的介绍,分析和计算压下系统响应频率,设计相应的Butterworth滤波器对轧制力进行高频去噪声处理,并利用最小二乘支持向量机进行轧机轧制力的非线性建模.在Matlab仿真环境中,利用轧制力的实测数据进行仿真与分析.仿真结果表明,基于最小二乘支持向量机的轧制力模型预测精度可以控制在5%范围内.     

轧制参数对轧机主传动系统自激振动的影响

根据轧制打滑状态下轧机系统特点，建立打滑状态下轧制系统的非线性力学和数学模型，并用Ｋｒｉｌｏｖ－ｂｏｇｏｌｕｂｏｖ方法对非线性力学模型求解，确定了主传动系统产生稳定自激振动时的轧制速度和轧制力之间的关系，给出了计算不同轧制速度下要产生稳定自激振动的最小轧制力的方法；推出了在同一个轧制速度下由于自激振动导致的扭矩放大系数（ＴＡＦ）与轧制力间的关系。     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

基于改进IVMD的工程结构状态特征分析研究

针对当前工程结构状态特征分析时频方法存在的缺点,基于时频分析新算法——变分模态分解算法构建结构状态特征分析新方法.对变分模态分解进行改进,建立分解层数自适应确定的变分模态分解算法(Improved Variational Mode Decomposition, IVMD),并通过仿真信号验证IVMD对复杂信号的分析能力.利用IVMD和加速度数据进行工程结构多种工况下的固有频率、IVMD能量熵分析.建立结构振动GPS数据奇异点探测的IVMD能量熵方法.基于IVMD提取及分析大坝变形分量与其状态特征.实验结果表明:IVMD对复杂信号分解具有较高的精度,并且效果远优于经验模态分解及小波分解算法;IVMD获取的固有频率与能量熵参数可有效分析不同工况下钢结构状态特征变化,结构不同工况的参数差异显著;IVMD能量熵序列准确地探测到结构振动GPS数据中的奇异点,可精准的确定结构状态动态变化特征;IVMD较好地提取到大坝变形温度、水位、时效分量,挖掘了大坝变形状态特征信息.基于此,证实了结构状态特征分析IVMD新方法的有效性及可靠性.     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.     

1780热连轧机机座系统的动力学分析

以1780热连轧机机组第五架轧机在轧制过程中发生振动为背景,建立其弹簧质量模型.利用ANSYS软件对轧机机座系统进行动力学分析,计算出其各阶模态参数.第2,3,6阶主振型上下工作辊运动方向相反,第2阶主振型频率为124.62 Hz,同三倍频振动特征有较好的吻合,易于形成轧制厚度波动.本文的研究可为轧机机座系统的动力学分析寻找出一条新思路.     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

单形进化算法优化的SVM滚动轴承故障诊断

由于支持向量机的参数优化算法存在控制参数多、易陷入局部最优解的问题,提出了一种单形进化算法优化的支持向量机滚动轴承故障诊断方法.首先,单形进化算法利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解;然后,将单形进化算法应用于支持向量机的参数寻优,并用滚动轴承信号完成故障诊断;试验中,采用滚动轴承信号的集总经验模态分解的能量特征作为输入,进行算法的性能分析与测试.结果表明该算法可以有效地缓解粒子陷入局部最优解,且减少了控制参数,并能完成滚动轴承故障信号的诊断与识别.     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

一种用于机床角度头故障诊断的双重降噪方法

角度头是数控机床必不可少的加工附件,由于长期处于恶劣的加工工况下,极易受到损坏。采集角度头的振动信号时,环境中大量的随机噪声会湮没故障特征信息,从而造成角度头故障特征提取困难。针对此问题,提出了一种基于总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）及自相关的双重降噪方法。该方法采用自相关滤波方法对振动信号进行降噪预处理,再对降噪后的信号进行EEMD分解,随后采用遗传算法对EEMD输入参数优化,依据相关峭度系数准则筛选分解得到的固有模态函数（intrinsic mode function,IMF）分量进行信号重构。最后,对重构信号进行时频分析,提取角度头故障特征。对仿真和实测信号分析的结果表明,本文方法能够有效抑制噪声干扰,可准确提取到角度头的故障特征信息,为机床角度头的故障诊断提供依据。     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于高阶谱和Tamura纹理的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种基于高阶谱(high order spectrum, HOS)和Tamura纹理特征相结合的故障诊断方法。首先,通过高阶谱方法将滚动轴承故障振动信号的冲击提取出来;然后,对高阶谱进行处理得到二维等高线图;最后依据轴承故障相同时等高线图具有相似性以及不同时具有差异性这一特性,采用基于人类视觉感知的Tamura纹理描述方法提取特征参数后输入到多分类支持向量机(support vector machines, SVM)中进行分类。结果表明：高阶谱结合Tamura纹理特征的滚动轴承故障诊断方法在较少特征参数下故障识别准确率能达到较高的精度,对于故障尺寸不同的混合振动信号识别准确率稳定,诊断效果良好。