滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于嵌套问题的半圆轴瓦单元化装箱设计与容器选择

针对工厂不规则形状工件单元化装箱与搬运的实际需要,以汽车与发动机行业常见的内凹形状的半圆轴瓦为代表,研究它的单元化装箱和最终标准容器的选择,提出半圆轴瓦等同件装箱过程中的特殊嵌套问题.这一嵌套问题不同于常见的平面下料嵌套问题,是将三维物体简化为二维问题来考虑,既有嵌套,也有装箱.分析嵌套柱形成的几何关系,将嵌套柱看作长...     

变齿高层螺旋齿轮传动

提出了变齿高螺旋齿轮传动，可提高螺旋齿轮重叠系数、平衡性和承载能力，而加工工艺基本不变。     

自适应非局部均值及在轴承故障检测中的应用

非局部均值算法(non-local means,简称NLM)的数据处理效果受其参数设置的影响较大,极大地限制了NLM的数据处理效果及应用范围。针对不足,提出把粒子群算法引入NLM参数的寻优求解。首先,通过粒子群算法迭代寻优的特性寻找NLM算法的最优λ,M和P参数;其次,将最优参数代入NLM算法获得最优滤波器,并对原始信号处理得到滤波信号,以此消除噪声并提取故障信息;最后,对滤波信号进行包络谱分析得到诊断结果,并利用仿真数据和实验轴承内、外圈故障数据对所提方法进行了验证。     

小波滤波与最大相关峭度解卷积参数同步优化的轴承故障诊断

针对共振解调中带通滤波残留的带内噪声影响故障诊断效果的问题,目前主要的解决办法是增加后处理步骤对带内噪声进行二次消除。但存在的主要问题是前后处理步骤的参数各自独立优化,且优化指标未考虑滚动轴承故障冲击周期性发生的特点,从而难于保障诊断的总体效果。提出了一种结合Morlet 小波滤波预处理和最大相关峭度解卷（MCKD）后处理的滚动轴承故障复合诊断方法。采用小生境遗传算法（NGAs）对Morlet 小波滤波器中心频率和带宽、MCKD 滤波器长度和周期进行同步联合优化,以考虑轴承故障冲击周期发生特点的相关峭度（CK）为优化指标,实现前后两个处理步骤的参数同步自适应优化。轴承故障仿真信号和实验台信号分析验证了所提方法的有效性和优越性。     

基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号微弱,强噪声干扰下故障特征难以提取等问题,提出了基于总体平均经验模态分解(EEMD)与1.5维谱的滚动轴承故障诊断方法。由于经验模态分解(EMD)在对信号进行分解时容易产生模态混叠现象,引入总体平均经验模态分解(EEMD)。首先将最小熵解卷积(MED)作为前置滤波器,对原始信号进行降噪处理,再利用1.5维谱对经过EEMD分解得到的较为敏感的本征模态函数进行分析,得到各个分量的1.5维包络谱,最终判断轴承是否存在故障。通过仿真信号及实验信号验证了文中所论方法的可行性和有效性。     

基于MED和SK的滚动轴承循环冲击特征增强

提出了一种融合最小熵解卷积(minimum-entropy deconvolution,简称MED)和谱峭度(spectral kurtosis,简称SK)的轴承循环冲击类故障检测方法。利用最小熵解卷积得到消噪信号,若能检测到轴承故障特征则完成诊断过程,否则对消噪信号进行谱峭度分析选取最佳滤波器参数,对滤波信号进行二次滤波。通过包络谱检测确定是否存在故障及故障类型。实验室信号及工程案例的分析结果验证了该方法在检测轴承局部故障中的有效性和优越性。     

用粘弹性轴承支撑减少轴承转子系统的不平衡响应

讨论了聚合或粘弹性轴承支撑对轴承转子系统不平衡响应的影响。在详细分析的基础上,设计了计算粘弹性支撑参数的程序。计算结果表明：合理地选择粘弹性支撑参数和材料,可以在较宽频域内降低轴承转子系统的不平衡响应。     

故障程度鲁棒的滚动轴承智能诊断方法

本文中提出了一种基于共振滤波和包络小波包分解的鲁棒故障特征提取方法,首先对信号进行共振频带滤波,再对滤波信号的包络进行小波包分解并提取重构子带信号的标准偏差值作为特征向量。该方法考虑了包络信号能充分描述轴承局部故障引起循环冲击的特点,并利用支持向量机进行轴承故障类型自动识别。实验结果表明,该方法能有效地实现故障程度鲁棒的滚动轴承智能诊断,具有较高的诊断速率,效果优于传统滚动轴承诊断方法。     

二叉树型多分类器融合的轴承故障诊断方法

多分类器融合能有效集成多种分类算法的优势,实现优势互补,提高智能诊断模型的稳健性和诊断精度。但在利用多数投票法构建多分类器融合决策系统时,要求成员分类器数目多于要识别的设备状态数,否则会出现无法融合的情况。针对此问题,提出了一种基于二叉树的多分类器融合算法,利用二叉树将多类分类问题转化为多个二值分类问题,从而各个节点上的成员分类器个数只要大于2即可,有效避免了成员分类器数目不足的问题。实验结果表明,相比单一分类器的诊断方法,该方法能有效地实现滚动轴承故障智能诊断,并具有对各神经网络初始值不敏感、识别率高且稳定等优势。