颤振球磨机中颗粒群粒度特性影响因素试验研究

颗粒粒度特性对粉体颗粒的应用范围和产品性能有很大影响,为研究颤振球磨机的运动参数(转速率、振动幅度和振动频率)和研磨介质形状对颗粒群粒度特性的影响,进行了十组不同工况的粉磨试验。通过对颗粒群粒度分布特性参数:中位粒径D_(50),粒度分布宽度W_(PSD),比表面积S和平均粒径D_(aps)的分析以及极差法处理结果,得到颤振球磨机在转速率85%、振动幅度4 mm、频率12 Hz的工况下微细粉体的形成和积累量最大,极限粒径值最小,且球形介质在颤振球磨机中的粉磨效果明显优于短柱形介质。利用SEM图像观测粉体颗粒的团聚方式以及团聚颗粒的粒径大小,图像分析结果与粉磨试验的数据分析结果(平均粒径值)基本吻合。试验研究结果为颤振球磨机物理法制备微细粉体颗粒提供了参考依据。     

频谱密度函数相似性比较的齿轮箱故障诊断

为降低齿轮箱振动信号频谱分析与故障识别的难度,提出了基于频谱核密度估计与密度函数相似性比较的齿轮箱故障诊断方法。首先针对齿轮箱的每一种故障状态采集多组振动信号,利用核密度估计方法对每组振动信号的频谱求取密度函数;然后选取一部分密度函数进行算术平均化,得到对应故障状态下的标准密度函数;最后根据测试振动信号频谱密度函数与各种故障状态标准密度函数之间的余弦相似度值与相关系数值,对齿轮箱的故障状态进行识别。试验结果表明:与振动信号的频谱相似性比较方法相比,所提方法对于齿轮箱故障状态的判别具有更高的准确率,同时对应于齿轮箱的不同故障状态,相关系数比余弦相似度显示出更大的差异性,具有更好的适用性。     

改进 TSA 降噪与平方包络谱分析的故障特征提取

为实现旋转机械设备故障诊断,提出基于相关性检测的振动信号改进时域同步平均(Time Synchronous Averaging,TSA)降噪方法,并利用平方包络谱提取故障特征。在采样振动信号中任取一段参考子信号,令参考子信号从振动信号初始时间开始,沿时间轴逐点滑动至终了时间,同时计算参考子信号与其在振动信号中遮掩子信号之间的相关系数;利用步长迭代算法获取相关系数最优阈值,选择与参考子信号相关系数大于最优阈值的所有遮掩子信号作为总体同步信号,平均计算后获得降噪的目标信号;对目标信号进行平方包络谱分析。仿真信号、齿轮和轴承振动信号的分析结果表明,所提出的方法能够有效用于旋转机械设备的振动信号降噪与故障特征提取。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

带中间冷却和回热的燃气轮机动态性能的研究

对某舰用燃气轮机进行了中间冷却和回热（ICR）的改造设计,采用按比例缩小压气机的方法,使改造设计后的燃气轮机各部件性能达到了良好的匹配.依照模块化建模的原理,建立了换热器等部件模块,在此基础上,在EASY 5仿真平台上搭建了ICR燃气轮机的系统模型,并对其进行了稳态和动态的仿真试验计算.结论认为,舰用燃气轮机改造为ICR燃气轮机,需要重新设计压气机以平衡由于中间冷却器造成的高压压气机入口折合流量降低的影响;ICR燃气轮机具有较高的效率和良好的变工况性能.图5表1参5     

基于改进劣化度模型的风电机组日常运行状态评估

为准确地掌握整台风电机组的运行状态,提出一种基于改进劣化度模型的评估方法。首先求得风电机组层次结构中各状态参数的劣化度;其次通过组合赋权法确定各参数的权重,利用岭型分布隶属度函数确定各参数的隶属度矩阵;最后利用模糊综合评判法和彩色图谱对机组的运行状态进行评估和展示。案例机组的日常运行状态评估表明：所提方法可较SCADA系统提前发现机组发电机非驱动端轴承的异常,且误报次数较少。     

基于单次料层冲击破碎质量模型的球磨选择函数

为提高球磨破碎效率,以及构建球磨装置的颗粒破碎过程模型,开展了基于单次料层冲击破碎质量模型的球磨选择函数研究。根据料层夹持形态与落球冲击试验,将料层破碎分为低冲击能下的未完全破碎和高冲击能量下的完全破碎两种状态。分析了单位质量能耗特性和细颗粒对夹持破碎质量的影响,分别建立了两种破碎状态下的料层冲击破碎质量模型。结合冲击能量谱,构建了基于单次料层冲击破碎质量模型的球磨选择函数,将介质球径、颗粒特性等影响球磨破碎效率的参数纳入到选择函数中。     

风力发电机组故障诊断与预测技术研究综述

随着风力发电机组装机容量的快速发展,累计运行时间的持续增长,风电机组的维护问题日益突出,迫切需要研发有效的风电机组故障诊断与预测系统。从故障诊断和故障预测两个方面,归纳风力发电机组的主要故障特点;针对故障诊断难点问题,分析和总结基于振动、电气信号分析和模式识别算法的故障诊断方法的研究现状,指出各种方法的技术特点、局限性和今后的发展趋势;针对风电机组中机械结构和电子系统性能退化的各自特点,归纳当前的研究进展,提出物理失效模型和数据驱动模型融合的故障预测方法;最后,归纳了利用风力发电机组数据采集与监控系统(SCADA)数据进行故障诊断与预测的最新进展及需要进一步研究的问题。     

S变换引导变分模态提取的旋转机械故障诊断方法EI北大核心CSCD

针对信号变分模态分解(VMD)存在分解层数难以确定、目标模态难以选取的问题,介绍了一种信号分解方法——变分模态提取(VME),且提出了基于S变换(ST)与VME的旋转机械故障诊断方法。VME将信号分解成两层——期望模态和残余信号,并基于一个新的准则:期望模态与残余信号之间具有最小的频谱重叠。为了使VME得到的期望模态包含充分的故障特征,采用S变换对信号进行处理,确定故障特征所在的频段,据此选取VME期望模态的中心频率初始值。为了从期望模态中提取出故障特征频率,采用平方包络谱(SES)对期望模态进行分析。仿真信号与实际振动信号的分析结果表明,所提出的ST‐VME方法能够成功提取出有价值的期望模态和准确的故障特征频率,实现旋转机械故障诊断,且与VMD相比,ST‐VME方法的目标性更强,实施更容易。