基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于直方图均衡化和卷积神经网络的轴承故障诊断方法

针对传统的滚动轴承故障诊断方法依赖人工特征提取和专家经验,难以自适应提取强噪声信号微弱故障特征的问题,提出一种直方图均衡化和卷积神经网络(CNN)相结合的智能诊断方法。首先,将传感器采集到的一维振动信号通过横向插值法转换为便于模型识别的二维振动图像,利用直方图均衡化技术拉伸像素之间灰度值差别的动态范围,突出纹理细节和对比度,以增强周期性故障特征;然后构建深层CNN模型,采用优化技术降低模型参数量,逐层学习监测数据与故障状态之间的复杂映射关系。实验结果表明该方法具有高达99%以上的准确率,对不同负载下的故障信号仍具有较高的识别精度和泛化能力。     

包覆法制备Gp/SiC 复合材料的显微结构和性能

以不同粒径的石墨颗粒和SiC粉体为原料,采用SiC粉体包覆石墨颗粒的方法,于2000℃热压制备了石墨/碳化硅(Gp/SiC)复合材料.利用扫描电子显微镜(SEM,EDS)分析了材料的金相和断口显微结构.研究表明,石墨粒径较小且质量分数较少的复合材料比石墨粒径较大且质量分数较多的复合材料在热压工艺中更致密.石墨颗粒呈岛状紧密地镶嵌在SiC基体中,石墨与SiC界面处C和Si的扩散不明显.复合材料的相对密度、抗折强度,断裂韧性和硬度随石墨粒径和质量分数的减少而增加.断口形貌表明SiC陶瓷基体为脆性,石墨为韧性断裂.当石墨粒径为125μm、SiC与石墨的质量比为3.5时,复合材料的综合性能最佳,开口气孔率为0.3%,相对密度为97.9%,抗折强度为75±15 MPa,断裂韧性为5.4±0.5 MPa.m1/2,硬度为26.8±3GPa.     

包覆法制备Gp/SiC复合材料的显微结构和性能

以不同粒径的石墨颗粒和SiC粉体为原料,采用SiC粉体包覆石墨颗粒的方法,于2000℃热压制备了石墨/碳化硅（Gp/SiC）复合材料.利用扫描电子显微镜（SEM,EDS）分析了材料的金相和断口显微结构.研究表明,石墨粒径较小且质量分数较少的复合材料比石墨粒径较大且质量分数较多的复合材料在热压工艺中更致密.石墨颗粒呈岛状紧密地镶嵌在SiC基体中,石墨与SiC界面处C和Si的扩散不明显.复合材料的相对密度、抗折强度,断裂韧性和硬度随石墨粒径和质量分数的减少而增加.断口形貌表明SiC陶瓷基体为脆性,石墨为韧性断裂.当石墨粒径为125μm、SiC与石墨的质量比为3.5时,复合材料的综合性能最佳,开口气孔率为0.3%,相对密度为97.9%,抗折强度为75±15 MPa,断裂韧性为5.4±0.5 MPa.m1/2,硬度为26.8±3GPa.