基于本体追踪的永磁同步电机驱动系统开路故障诊断方法

针对永磁同步电机（PMSM）系统故障间关联性强、异构信息复杂繁多以及传统故障诊断方法无法追溯耦合故障发生的真正原因等问题,提出了基于本体追踪的故障诊断方法。以PMSM驱动系统开路故障为主要研究对象,首先,对PMSM故障诊断领域本体模型进行形式化定义及标准化构建,统一集成PMSM系统中密集的异构信息;其次,在改进归一化误差电流数据分析法能够精准快速地定位故障开关管的基础上,将定量分析所得故障特征及识别结果映射到故障领域本体模型中,扩展了故障诊断范围;最后,经语义Web(SWRL)规则库的预设以及基于规则的推理,融合本体技术进行故障诱因、故障类型等信息的追溯及诊断。经实验验证,该方法提高了各子系统间信息的利用率,能够合理地追溯故障原因,为大型复杂系统的故障诊断提供了一个可共享、易更新的标准化方法。     

基于拉伸弹簧的涤/锦交织热熔粘扣带力学模型研究

以拉伸弹簧为基础,建立了涤/锦交织热熔粘扣带的单钩强力力学模型,并推导出整条粘扣带的强度力学模型。通过修正和简化模型中的参数,分别得到粘扣带剥离强度和剪切强度与钩密度的关系式,进而得到粘扣带剥离强度和剪切强度的理论计算式。经试验检验,通过理论计算式计算得的粘扣带的理论强度相对于实测强度的偏差百分率小于5%,故该强度力学模型可在有限范围内用于涤/锦交织热熔粘扣带剥离强度与剪切强度的计算和预测。     

钩面/毛面粘扣带对粘扣带组合力学性能的影响

研究钩面与毛面粘扣带对粘扣带组合力学性能的影响。研究结果表明:经过一定次数的耐疲劳试验后,抓毛毛面粘扣带组合中钩面粘扣带对粘扣带组合强度的影响程度大于毛面粘扣带,不抓毛毛面粘扣带组合中毛面粘扣带对粘扣带组合强度的影响程度大于钩面粘扣带;随着耐疲劳测试次数的增加,粘扣带组合的钩挂率先增大后减小,经100次耐疲劳测试后,抓毛毛面粘扣带组合的钩挂率达到最大值,经500次耐疲劳测试后,不抓毛毛面粘扣带组合的钩挂率达到最大值。     

PET/PTT复合丝交织针织松紧带研发

通过经纱中涤纶低弹丝和PET/PTT复合丝的不同组合交织,设计了5种PET/PTT复合丝交织针织松紧带,比较了普通针织松紧带和5种PET/PTT复合丝交织针织松紧带水洗前后的宽度、拉伸倍数、弹性回复率等性能,结果显示:经纱全部采用PET/PTT复合丝的交织针织松紧带的尺寸稳定性、抗应力松弛和耐疲劳性能最好。     

聚苯硫醚/聚酯交织耐高温粘扣带的开发

选取6种新型聚苯硫醚(PPS)/聚酯(PET)交织耐高温粘扣带,通过原料选用和织物结构参数优化,获得强度最优的PPS/PET交织耐高温粘扣带织物的结构参数为钩数∶经纱根数=1∶4,钩数∶纬纱根数=1∶3。在不同温度下,对不同原料和结构参数的粘扣带加热2h进行的耐热性试验结果显示:在较高温度下,PPS/PET交织粘扣带的单钩剪切力和单钩剥离力均优于其他粘扣带,PPS/PET交织粘扣带的耐热性能较好,适用性更强。     

基于线圈串套模型的粘扣带剥离、剪切强度力学模型研究

以达里多维奇和米哈依洛夫针织线圈串套模型为基础,建立粘扣带剥离强度和剪切强度的力学模型;根据弹性力学理论,推导出粘扣带剥离强度和剪切强度的理论计算式;通过实际测量和系数修正,得到粘扣带剥离强度和剪切强度的最终计算式,计算偏差百分率小于3%,可以用于粘扣带剥离强度与剪切强度的计算和预测。     

涤/锦交织粘扣带无卤素耐洗涤阻燃整理工艺研究

利用浸渍-涂层复合整理方法对涤/锦交织粘扣带进行阻燃整理和工艺优化,结果显示:最优浸渍阻燃整理工艺——磷酸酯类阻燃剂用量220 g/L、异丙醇助剂用量25 g/L、浸渍温度80℃、浸渍时间2 h;最优涂层阻燃整理工艺——磷氮类阻燃剂质量分数30%、焙烘温度130℃、焙烘时间2 min。采用最优浸渍-涂层复合工艺整理的涤/锦交织粘扣带的阻燃性能可达到美国航空防火标准,纺织品安全性提高,甲醛和重金属含量极低,符合纺织品生态环保要求。     

SIEMENS 840D系统在NAXOS大小头磨床改造中的应用

我公司有1台1985年出厂的德国NAXOS曲轴大小头磨床。该机床具有两个砂轮架，左砂轮架与工件台面垂直，用于精磨曲轴大盘外圆；右砂轮架与工件台面夹70。角，采用成型砂轮，用于精磨曲轴小头端倒角、端面、圆角、外圆。由于两片砂轮能够同时进行工作且采用成型砂轮，所以使用该机床能够有效地减少加工工序、提高产品质量和工作效率。机床电控系统采用MARPOSS仪表加PLC控制，驱动采用直流／步进驱动，都已严重老化故障率高，维修困难。系统备件价格昂贵并且不易购买。机床已不能保证产品质量，满足不了生产的需求。为保证生产，我们采用SINU—MERIK840D系统、611D驱动、1FT6电动机和PLCS7—300成功地对其进行了改造，使这台老设备在生产中重新担起了重任。     

基于BPNN-NCT的风电机组主轴承异常辨识方法

风电机组主轴承作为传动系统的重要组成部件,其异常辨识精度受风速波动的影响较大。针对该问题,提出了一种基于BPNN-NCT的风电机组主轴承异常辨识方法。首先,利用相关系数法确定了与主轴承状态相关的参数作为模型的输入,并基于反向传播神经网络(BPNN)建立了以主轴承温度为状态参数的状态参数预测模型。然后,基于非中心t(NCT)分布刻画了不同风速波动区间下状态参数预测残差的分布特性,并在此基础上提出了计及风速波动影响的风电机组主轴承异常状态量化指标。最后,以某风电场的2 MW直驱风力发电机组为例,验证了所提方法的有效性和准确性。