基于静压支承原理的多作用恒流轴向柱塞泵柱塞侧倾力平衡结构

对多作用恒流轴向柱塞泵的柱塞副进行了受力分析,建立了柱塞副侧倾力数学模型.为减小柱塞因受侧倾力而导致的摩擦磨损,提出了一种静压支承结构并对采用静压支承的柱塞副侧倾力进行了数值仿真与对比分析,同时对静压支承结构进行了容积效率分析.结果表明该静压支承结构能有效减小柱塞副的侧倾力与摩擦磨损,且能满足柱塞副的密封要求.     

几种典型齿轮时变啮合刚度计算方法对比

啮合刚度是齿轮传动的重要动力学特性参数,当齿轮运行状态发生变化,如出现齿根裂纹时,这种变化会在时变啮合刚度中体现.准确地计算齿轮的时变啮合刚度对模拟齿轮系统的动力学特性意义重大.势能法、有限元法和石川法是计算齿轮时变啮合刚度的常用方法.以正常及含齿根裂纹的渐开线直齿圆柱齿轮为研究对象,对这3种方法的综合时变啮合刚度结果进行了对比分析,结果表明:有限元法计算速度慢,但更能够适用于多种复杂裂纹结构下的啮合刚度的计算,计算原理与实际工况更为吻合;势能法与石川法的计算速度快,对于简单裂纹或多级齿轮传动,可以优先采用势能法与石川法进行计算.     

基于细菌觅食优化决策的齿轮箱故障诊断

在利用SVM对齿轮箱进行故障诊断决策时,SVM模型参数(核参数及惩罚因子)对齿轮箱故障的诊断结果影响很大,而最优参数难以获取,针对这一问题,提出一种基于自适应细菌觅食算法(BFA)的SVM参数快速选取方法。以齿轮箱故障诊断过程为实验对象,对比分析网格搜索法、遗传算法、粒子群算法与细菌觅食算法对SVM径向基核函数参数δ及惩罚因子C的优化性能。研究结果表明:细菌觅食算法能够更加快速地选取到最优参数;采用细菌觅食算法优化SVM参数可以进一步提高齿轮箱故障诊断的精度。     

基于优化SVR模型的大跨度样本疲劳寿命预测

针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练,并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取,LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

基于MSB和CNN的弧齿锥齿轮损伤故障识别

针对弧齿锥齿轮损伤程度识别率低的问题,提出一种基于调制信号双谱和卷积神经网络的弧齿锥齿轮损伤程度识别方法.采集弧齿锥齿轮在正常、轻度损伤及中度损伤3种状态下的振动加速度信号,分别计算其调制信号双谱特征图,构建卷积神经网络,并将调制信号双谱特征图作为输入样本训练卷积神经网络.试验结果表明:本文方法可以有效地提高弧齿锥齿轮损伤程度的识别率,平均识别准确率达99.91%.     

基于非等距BFA GM(1,1)模型的尾翼疲劳寿命预测

针对非等距GM(1,1)模型中背景值系数α对模型的预测能力影响很大而最优值难以确定的问题,将细菌觅食算法与GM(1,1)模型相结合,提出了BFA-GM(1,1)优化模型.以飞机尾翼疲劳寿命预测为实例,分析比较了BFA-GM(1,1)模型、PSO-GM(1,1)模型和GA-GM(1,1)模型的性能.从试验的结果来看,本文提出的BFA-GM(1,1)模型消耗的时间少于其他2种模型消耗的时间,而平均预测误差低于其他2种模型的平均预测误差,这说明本文提出的BFA-GM(1,1)模型能够更快速、更准确地找到最优的背景值系数α,从而提高了"小样本""贫信息"条件下的飞机尾翼疲劳寿命预测的精度.