基于响应面法的汽车盘式制动器稳定性优化设计

针对汽车制动噪声的抑制问题,将响应面法与优化技术相结合,提出一种降低系统复模态的不稳定系数以提高汽车盘式制动器系统稳定性的优化方法。该方法基于制动器的振动稳定性原理建立有限元分析模型,通过拉丁超立方试验方法采样,结合最小二乘法构建制动器系统复模态的二阶响应面近似模型,以制动器几何结构参数为设计变量,制动器复模态的不稳定系数为设计目标,采用遗传算法对响应面近似模型进行优化。对某车的浮钳盘式制动器的分析和优化算例表明,采用该方法对汽车盘式制动器的稳定性进行分析和优化,能大大提高优化效率的同时有效降低系统复模态的不稳定系数,从而提高制动器的稳定性,减小制动噪声产生的可能,达到改善汽车振动噪声与舒适性的目的。     

快速可重组制造系统的CAPP技术探讨

针时快速可重组制造系统,对其中重要技术CAPP技术进行了探讨,通过分析与传统CAPP技术的异同,提出了快速可重组制造系统中CAPP应研究的若干关键技术.     

基于多尺度线调频基稀疏信号分解的包络解调方法及其在齿轮故障诊断中的应用

提出一种基于多尺度线调频基稀疏信号分解的包络信号提取方法,并将其应用于转速剧烈波动情况下的齿轮箱故障诊断。基于多尺度线调频基的稀疏信号分解方法可以根据信号的特点,自适应的选择相应尺度对信号进行投影分解。其库函数的多尺度特性和线调频基函数中频率斜率参数的引入使得该方法比以往使用单一尺度库函数的分解方法更适合分解频率呈曲线变化的非平稳信号。当齿轮出现故障时,振动信号会出现啮合频率调制现象,在齿轮转速大范围波动情况下,载波频率和调制频率均随转速大范围波动。采用基于多尺度线调频基的稀疏信号分解方法,能同时有效提取变转速齿轮故障状态下载波频率和包络信号频率随时间的变化曲线,进而对齿轮箱故障进行诊断,解决经验模态分解方法和小波方法难于对转速剧烈波动情况下的齿轮故障进行诊断的问题。仿真算例和应用实例说明了此方法的有效性。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与H ilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

ASP模式的远程结构健康监测研究

为降低结构健康监测运营成本并促进其专业应用,提出ASP模式的远程结构健康监测方案,通过集成相关资源为结构健康监测提供远程的专业化服务。结合系统需求,探讨了基于网格技术的实现方法,并分析系统的运行流程。同时给出该系统在洞庭湖大桥结构健康监测上应用的实例。实验结果表明,该方案是可行的。     

时间-小波能量谱在滚动轴承故障诊断中的应用

为滚动轴承故障诊断提供了一种新途径，针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间-小波能量谱自相关分析法。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析，说明时间-小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

基于事件记录的塞拉门故障诊断方法

提出了一种基于事件记录的塞拉门故障诊断方法,该方法在诊断知识数字化的基础上,结合知识检索技术实现了塞拉门故障诊断的计算机化,从而较好地解决了列车塞拉门系统检修工作中一直存在的故障部位查找困难和故障隐患难以排除的问题。应用该方法在塞拉门故障的现场诊断中获得了满意的效果。     

环境激励下基于奇异谱互熵的结构损伤诊断方法

环境激励下的结构响应是一个随机过程,结构发生破损时其响应将随之变化,因而可将描述随机过程特性的参数作为评判结构状况的指标。熵是测量随机过程不确定性的一个比较方便的方法,能够用于高斯及非高斯分布的情况。在相空间重构与奇异值分解的基础上建立了奇异谱互熵的概念,提出了一种环境激励下用奇异谱互熵诊断结构损伤的方法。以ASCE学会提出的基准结构为对象进行研究,利用NExT技术获得响应,采用伪邻近法确定相空间的嵌入维数,讨论了不同工况及噪声对诊断结果的影响,分析结果验证了该方法的有效性和鲁棒性。     

广义解调时频分析方法在调制信号处理中的应用

介绍了一种新的信号处理方法-基于广义解调的时频分析方法,并将这种方法应用于调制信号的处理。广义解调时频分析方法采用广义解调将时频分布是曲线的信号变换为时频分布是平行于时间坐标轴的直线的信号,然后采用最大重叠离散小波包变换（Maximal overlap discrete wavelet packet transform,简称MODWPT）对广义解调后的信号进行分解,得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,再对各个单分量信号进行逆广义解调,进一步求出瞬时频率和瞬时幅值,从而得到原始信号完整的时频分布。采用广义解调时频分析方法对调幅-调频信号进行了分析,结果表明该方法能有效地提取调幅-调频信号的调制信息。     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。