基于EEMD能量比和GG聚类的滚动轴承故障诊断

针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GG(Gath-Geva,GG)聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数(IMF)分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。     

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。     

基于小波理论的声发射信号降噪方法

目前,声发射检测法已被广泛应用于众多工程领域,但在声发射信号采集过程中产生的噪声干扰问题会使检测结果产生重大偏差,因此对采集到的声发射信号进行降噪处理是必要的。文中论述了应用小波理论,对高档车削加工中心在进行车削加工时产生的声发射信号进行降噪处理的方法,从而使得检测结果更加可信,同时这一方法对其他声发射检测过程也具有一定的借鉴意义。     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

基于DEM算法的多颗粒碰撞耗能机理分析与振动抑制研究

针对机械构件主系的封闭空间中填充微小颗粒,进行振动抑制问题,对填充颗粒的尺寸、数量以及材料特性因素对振动抑制效果的影响开展了研究。通过采用离散单元法(discrete element method,DEM),分析了颗粒与颗粒以及颗粒与主系统之间的运动学特性,建立了能够充分表达颗粒在相互碰撞摩擦过程中的受力、变形关系以及耗能计算模型,分析了多个颗粒之间的碰撞与耗能机理,确定了碰撞过程中颗粒的状态、受力及耗能大小的计算求解算法。在Matlab环境下,针对不同颗粒材质、数量及大小对系统振动抑制性能进行了仿真分析,得出了颗粒材质大小以及数量对减振性能的影响规律,并通过搭建的试验台,进行了试验数据采集和分析。试验结果与仿真结果相吻合,验证了算法的有效性,该算法为提高机械构件的减振性能设计提供了重要参考。     

串联线路重合闸拒动原因分析及防范措施

介绍两条220kV串联送出线路在实际运行过程中，当其中一回线路出现单相故障后，一回线路重合闸动作正常，另一回线路重合闸拘动的具体原因分析，并提出了防范措施。