退化点上van der Pol-Mathieu方程分叉解的稳定性研究

研究了著名的 van der Pol-Mathieu方程 1 / 2次谐共振分叉在退化点的零解和极限环的稳定性问题 ,零解的稳定性用中心流形方法研究 ,Hopf分叉产生的极限环的稳定性用 Hopf分叉定理解决     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

一种基于小波变换的包络分析法

对机械故障中常见的调制信号,包络分析法是一种有效的分析方法,为克服当前的包络分析法需要选择合适的滤波器参数的局性性,提出了一种基于小波变换的包络分析方法,运用小波包将调制信号分解到不同频率段上,提取需要的频率段成分进行重构,对重构后的信号作络细化谱分析就能有效地从原始信号中提取调制信息,仿真信号和实际动用都表明该方法能有效地提取信号的故障特征。     

基于复小波变换相位功率谱的齿轮故障诊断

提出了一种基于复小波变换诊断齿轮故障的新方法 .利用Mexican-hat调制复小波基函数对齿轮振动信号进行连续小波变换 ,再作相位的频谱分析 ,可以突出边频带结构 .仿真信号的分析结果表明该方法可有效地用于齿轮故障诊断 ,与传统的自功率谱方法相比 ,具有抗噪声干扰能力强的优点     

基于虚拟现实的远程协同诊断系统研究

针对设备故障协同诊断在支持工具通用性和诊断信息交互手段两方面的不足,借助统一建模语言UML方法规范了协同诊断系统的分析与建模,应用IP组播通讯、Java媒体框架JMF、虚拟现实建模语言VRML和实时传输协议RTP技术增强了协同诊断系统的信息表达和多媒体交互能力,以此为基础所开发的基于虚拟现实的多媒体远程协同故障诊断系统在中石化巴陵分公司的实际实施中取得了良好的应用效果．     

基于能量分析的装配作业疲劳改善研究

围绕降低装配作业人员疲劳的人因改善问题,研究了人体疲劳分析改善方法.该方法以仿真技术为支撑,通过人体新陈代谢能量消耗值来量化评估装配作业中人体的疲劳程度.通过作业动作的分解及动作参数的获取、基于新陈代谢能量消耗的人体疲劳评估计算、人体疲劳改善、改善方案的仿真验证与实施四个步骤可有效地完成作业的人体疲劳分析与改善.该方法在某汽车制造企业车轮分装工序装配作业的成功应用,验证了其可行性和有效性.     

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法

提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.     

基于非稳态润滑理论的金属塑性加工过程动力学特性研究

基于非稳态流体动力润滑理论和相应的轧机辊缝动力学的基本理论,建立了板带轧制时工作区非稳态润滑基本模型,求解了工作区压应力和摩擦应力分布情况.并对某大型公司轧机进行了仿真分析.通过数值计算,定性地分析了后张应力、非稳态变量角频率、压下率等参数对动态辊缝间压应力和摩擦应力分布的影响.验证了所建模型及仿真的正确性,可以对现场实际中轧机颤振的抑制提供指导.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

基于AR模型和支持向量机的转子系统故障诊断方法

提出了基于AR模型和支持向量机的转子系统故障诊断方法.该方法对转子系统的振动信号建立AR模型,以AR模型主要的自回归参数和残差的方差作为特征向量,然后建立支持向量机分类器,进而判断转子系统的工作状态和故障类型.实验结果分析表明,该方法能有效地应用于转子系统的故障诊断.并通过支持向量机与BP神经网络的性能比较,说明了支持向量机的优点.