基于Pro/Engineer的直升机主传动系统故障模拟实验台设计

介绍了直升机主传动系统的结构和工作原理.在此基础上给出了一种可行的直升机故障模拟实验台设计方案,并通过Pro/Engineer4.0建立了锥齿传动部分和行星传动部分的零件实体模型.阐述了锥齿轮和齿圈等零件的具体建模方法,最后在软件中对所有的实体零件进行装配仿真,为实际加工制造提供了很好的支持.     

基于隐半Markov模型的故障诊断和故障预测方法研究

隐半Markov模型(HSMM)是隐Markov模型(HMM)的一种扩展形式，通过在HMM结构中加入状态驻留时间分布参数，克服了HMM假设状态驻留时间服从指数分布的不足。HSMM不仅具有较强的模式分类能力，而且能对实际问题中的状态驻留时间进行合理建模，故既可用于故障诊断，又可用于故障预测。分析了利用HSMM进行故障诊断和预测的框架；并针对传统HSMM建模算法计算量和存储空间都比较大的缺点，引入并改进了一种快速递推算法，降低了计算复杂度和存储空间要求；最后将HSMM应用于直升机齿轮箱轴承故障诊断和GaAs激光器剩余使用寿命(RUL)预测，试验绪果证明了这种方法的有效性。     

考虑冲击力的球轴承复合缺陷动力学建模

滚动轴承在旋转机械中应用十分广泛,其运行状态直接影响设备的工作性能,有必要对轴承故障机理进行深入研究.基于Hertz接触理论,建立了四自由度的内外圈复合缺陷球轴承模型,该模型考虑了缺陷引起的时变位移激励和冲击力激励,并分析计算了冲击力的大小及作用角度.分别对内圈、外圈单一缺陷及内外圈复合缺陷情况下球轴承的振动响应进行了数值仿真,仿真结果与实验数据吻合较好,内圈故障特征频率(BPFI)和外圈故障特征频率(BPFO)及其倍频在频谱图中清晰可辨,分析了负载大小和缺陷宽度对轴承振动特性的影响.研究结果可为滚动轴承的故障诊断提供理论参考.     

转子系统中的非线性时间序列预测

针对转子系统中出现的非线性信号 ,提出了一种基于吸引子的自适应预测方法。实验结果表明 ,和其他预测方法相比 ,该方法具有更高的精度。     

基于物理模型和修正灰色模型的行星轮系疲劳裂纹故障预测方法

结合物理模型与灰色理论,提出行星轮系齿根疲劳裂纹故障预测的新思路.针对直升机主传动系统中的2k-H行星轮系,建立太阳轮齿根疲劳裂纹损伤的物理基模型,通过仿真获得不同损伤严重度的振动仿真信号.选择并计算仿真信号的故障特征矢量,并以此作为损伤特征的标准模式,对待检信号特征矢量与标准模式进行灰色关联度分析,根据关联度对裂纹进行定量检测.结合物理模型仿真信号对灰色预测模型进行修正,使之具有更好的疲劳裂纹故障预测能力.对试验中的疲劳裂纹进行定量检测和故障预测.试验数据验证了本方法对行星轮系太阳轮疲劳裂纹的定量检测和故障预测能力.     

基于故障树的贝叶斯网络建造方法与故障诊断应用

文章首先指出应用贝叶斯网络模型进行设备故障诊断具有的优势,提出了由常用的故障树模型建造贝叶斯网络的方法。然后详细比较了故障树与贝叶斯网络在诊断推理和模型表达方面的特点,并以实例进行说明。     

随机共振系统的电路模拟及在微弱信号增强传输中的应用

采用电子线路仿真双稳随机共振系统,建立微弱信号增强传输单元.实验结果表明,该装置适合于低信噪比条件下微弱正弦信号的检测,并且可以有效增强周期脉冲信号及二进制数字脉冲信号的传输,为微弱故障特征信号的提取以及数字信号的远程传输中提供了一种实用装置.     

基于PXI技术的涡轮泵实时状态监控演示系统设计

针对某型火箭发动机地面试车时间短、工作转速高、且不可重复的特点,根据开放性、有效性和可靠性的系统设计原则,采用PXI技术和虚拟仪器技术,设计了一套涡轮泵实时状态监控演示系统.该系统为评定涡轮泵健康状态、诊断发动机故障奠定了基础.     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

涡轮泵实时故障检测的多特征参量自适应阈值综合决策算法

为了实时监控液体火箭发动机涡轮泵的状态,提高安全性,降低故障带来的破坏程度,提出了一种多特征参量自适应阈值综合决策算法(MATA)。研究了该算法的特征参量选取、阈值区间的确定、阈值的自适应计算(包括特征参量均值与标准方差的自适应计算)、故障综合决策逻辑、故障数据对阈值贡献的剔除等方法,利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证,结果表明MATA没有发生误检测情况,具有实时故障检测的能力。因此,MATA适合于液体火箭发动机涡轮泵的实时故障检测。