参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

定向孔隙多孔储油介质的制备与评价

提出一种具有定向孔隙多孔储油介质的制备方法,该方法以聚四氟乙烯(PTFE)粉末作为基材,苯甲酸作为造孔剂,通过模压、涂覆高温密封胶和真空烧结得到具有定向孔隙的多孔介质。分析模压压力和造孔剂质量分数对多孔介质的硬度、密度、孔隙率、储油率和油保持率等性能的影响。试验结果表明,制备压力与多孔介质的硬度和干密度分别呈线性正效应关系和负效应关系,对孔隙率、储油率和油保持率的影响不显著。造孔剂质量分数与多孔介质的硬度和密度呈线性负效应关系,与孔隙率呈线性正效应关系;造孔剂质量分数越大,甩油初始渗油速率也越大,但对最终油保持率的影响并不显著。多孔介质内部孔隙具有溶洞型的纤维化组织结构,内部孔隙相互贯通,且具有良好的定向性。