涡轴发动机弹性支撑外挤压油膜涡动特征频率

针对某型涡轴发动机整机台架测振时频谱分量多且对应激振源或调制因素不明确的问题,采用经验模式分解（empirical mode decomposition,简称EMD）对其振动数据进行滤波处理,发现某一中低频分量包含了原始数据较为显著的信息。经过多传感器、多状态测量,将测振参数进行时频分析,证明该频率分量为燃气发生器联合转子的亚同步频率,且二者之比为0.443。通过排除法和整机断滑油实验,确定该分量为燃气发生器转子前定心弹性支撑外挤压油膜涡动的特征频率。     

涡轴发动机弹性支撑外挤压油膜涡动特征频率

针对某型涡轴发动机整机台架测振时频谱分量多且对应激振源或调制因素不明确的问题,采用经验模式分解(empirical mode decomposition,简称EMD)对其振动数据进行滤波处理,发现某一中低频分量包含了原始数据较为显著的信息。经过多传感器、多状态测量,将测振参数进行时频分析,证明该频率分量为燃气发生器联合转子的亚同步频率,且二者之比为0.443。通过排除法和整机断滑油实验,确定该分量为燃气发生器转子前定心弹性支撑外挤压油膜涡动的特征频率。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

信息熵融合的PSO‑SVC涡旋压缩机故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化（particle swarm optimization,简称PSO）的支持向量回归（support vector classification,简称SVC ）涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解（variational mode decomposition,简称VMD ）能量熵衡量故障振动信号时?频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

柱塞泵机体模态频率影响研究

对柱塞泵机体进行了模态分析,找出了柱塞泵在使用过程中振动过大的原因。并改进柱塞泵机体结构形式和更换所用材料,对改进后的机体进行模态频率比较研究,得出避免柱塞泵机体与减速机激振频率共振耦合的最优方案。为同类产品的安装使用,以及避免振动耦合提出了具体的解决办法。     

局域共振型隔振系统的低频振动特性分析

为有效降低基体低频振动对精密仪器测量精度的影响,提出了周期布置吸振器的减振方式.建立了基体-隔振设备-吸振器系统的动力学模型,利用模态叠加法导出了系统耦合振动方程的解析解,并用有限元法进行了验证.获得了吸振器数量、参数对系统低频振动特性的影响规律,在吸振器总数一定的情况下,将其划分为包含不同数量振子的周期元胞.以低频段...     

基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

基于PSO-ELM的液压油性能衰退预测及分析

提出基于粒子群优化（Particle Swarm Optimization,PSO）的极限学习机（Extreme Learning Machine,ELM）的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明：PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

基于模态频率的简支梁桥损伤识别模糊推理方法

为了有效降低不确定性因素对结构损伤识别结果的影响,提出了一种基于模糊推理系统的损伤识别方法。该方法以结构的前四阶频率变化率为损伤识别参数,以单元的损伤状态（轻微、中度、严重损伤等）为输出参数。通过在原始数据中添加高斯白噪声来模拟不确定因素的影响,简支梁桥的数值模拟分析验证了该方法用于桥梁结构损伤识别的有效性。结果表明,该方法的抗噪水平达到10％以上。     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

阔叶材原木声信号特征提取及内部缺陷检测

阔叶材原木质量精准检测可实现木材的高效利用和利润最大化,然而因声信号特征参数提取原理及参数与木材性质对应机理不同,致使分析结果存在差异。基于此,提出一种改进型粒子群优化-变分模态分解(IPSO-VMD)的特征参数提取及缺陷检测方法。通过对缺陷信号稀疏特征分析,将最小平均包络熵确定为PSO优化VMD的适应度函数,实现对最优参数(K,α)的搜索,并通过改进惯性权值及学习因子,加快PSO搜索速度并实现全局最优解。基于边际谱及频带能量率实现对IPSO-VMD有效子模的选取,并将其频带分布及能量率作为表征缺陷信号的特征参数,实现对阔叶材原木内部质量的精准检测。实际锯切结果表明,IPSO-VMD方法对原木主要缺陷类型和主次的预测准确率分别达88.6%和72.7%,且对全局参数无法识别的缺陷同样有效。新特征参数的有效性可为后续融合多参数特征,构建人工智能识别系统,实现原木质量精准检测提供可靠依据。