基于人工神经网络的航空轴承疲劳可靠性分析

提出一种人工智能方法进行航空轴承疲劳可靠性分析.通过二次多项式近似拟合温度场效应,建立热弹流润滑效应下航空轴承接触应力分析模型,同时考虑热弹流润滑效应、材料属性以及疲劳强度修正系数的随机性,结合应力-强度干涉理论,运用人工神经网络法完成疲劳可靠性分析,基于改进的一次二阶矩法完成可靠性灵敏度分析.数值算例表明,建立的可靠性分析模型能正确反映热弹流润滑效应对航空轴承接触疲劳的影响.与传统蒙特卡罗方法相比,提出的智能方法具有良好的全局搜索能力和高效的计算性能,并通过无交互方差分析滚动轴承疲劳试验对可靠性灵敏度分析结果进行了验证.     

基于载荷分布和统计的TBM主轴承寿命计算

以吉林中部引水工程总干线二标段全断面岩石掘进机(tunnel boring machine, TBM)主轴承为研究对象,在考虑联接结构刚度及边界条件影响的条件下,基于L-P理论并引入切片法计算了主轴承的额定寿命.对TBM的工作掘进推力记录进行统计分析,得到了基于Miner累积损伤理论的主轴承使用寿命.结果表明:主轴承内部载荷分布受连接结构刚度影响较大,采用切片法计算其额定寿命较为合理.适当调整连接结构的形式及尺寸可大幅改善主轴承滚道载荷分布均匀性并提高其额定寿命.推进力载荷统计近似为截断正态分布,可根据额定推力对主轴承的使用寿命进行预估.     

基于可靠度的发动机旋转部件维修决策研究

发动机旋转部件是发动机的关键部件,部队中经常出现由于发动机旋转部件故障而导致的重大飞行事故。本文首先详细介绍了威布尔比例风险模型,在参数估计时采用了极大似然估计方法估计出模型中的参数,然后以可靠度为要求,预测装备的剩余寿命,从而指导实施维修决策。最后选择发动机某类轴承为例,利用比例风险模型对其进行了维修决策研究。     

电磁-温度耦合条件下推力磁轴承涡流损耗分析

针对一类以实心推力盘为主要热源的电磁轴承转子系统,研究了电磁-温度耦合条件下从线圈加电到稳定运行整个过程中的电磁场,给出了电磁场涡流损耗的解析计算方法．通过将实例的计算结果与有限元方法及实验结果对比表明,采用该解析计算方法可简单、快捷及准确地解决系统初步设计时的参数选定问题．     

基于DSP的磁悬浮轴承数字控制器

以磁悬浮主轴系统的组成及工作原理为基础,提出了一种在传统PID基础上的专家智能PID控制器的构想,并对其实现中的部分具体技术问题进行了分析讨论．其中的核心部件采用TI公司的TMS320LF2407A芯片,设计并给出了5自由度磁悬浮主轴系统采用专家智能PID控制策略时的硬件总体框图、相应的软件设计思路和流程框图,并对具体设计过程中的部分内容作了扼要阐述．分析结果表明,在磁悬浮系统中应用这种智能PID控制器能实现更好的控制效果,达到更高的控制精度要求．     

基于性能退化的控制力矩陀螺寿命预测

控制力矩陀螺具有高可靠、长寿命特点,传统试验方法难以获取失效样本。但是控制力矩陀螺在轨工作期间的遥测数据中包含了很多性能退化信息,在详细分析这些数据的产生机理、影响因素和变化规律的基础上,结合已知的失效指标,选择合适的性能退化参数,针对性能退化参数建立陀螺的寿命预测模型。利用遥测数据拟合模型参数,进行趋势外推计算陀螺的预测寿命。文章最后给出了两种性能退化指标的控制力矩陀螺寿命预测实例,验证了该方法的有效性。     

哈尔巴赫永磁体阵列在无轴承瓣形薄片电机中的应用

磁悬浮转子的拖动系统以其独特的优势,在高转速、长寿命、超密封等驱动领域有广阔的应用前景。由于无轴承薄片电机结构紧凑且只需要三个自由度的悬浮控制,在很多领域具有很高应用价值。通过对传统无轴承瓣形薄片电机的分析,提出利用哈尔巴赫永磁环体取代转子永磁体,并建立数学模型,利用有限元方法对定子单元产生的径向力进行仿真计算,结果表明,由于哈尔巴赫永磁转子结构无需铁芯,使无轴承瓣形薄片电机控制力减至最小,同时减小了转子的转动惯量,提高了电机控制性能和运行平稳性。     

电磁轴承支承挠性转子过临界控制器设计

以10 MW高温气冷堆中氦气透平试验转子模型为对象,设计了一种控制器.该控制器采用模态截断的方法获得电磁轴承系统的数学模型,并采用线性二次型Gauss方法,采用了一个同LQG(linear quadratic Gaussian)控制器相串联的相位补偿器,以便有效地阻尼转子的模态振动.经过反复的试验调试和控制器参数修改,不但使转子顺利超越第一阶挠性临界旋转速度,而且实现转子停留在该旋转速度长期稳定的运行,积累了实际工程中电磁轴承支承的转子过临界旋转速度的经验.试验表明电磁轴承能有效地抑制转子的振动.     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

内对抗指导无监督多域适配网络的轴承协同故障诊断

现有的轴承无监督跨域智能故障诊断研究多数是基于单源域自适应开展的,这将导致实际场景中多个拥有充足且多样化诊断信息的源域未能得到协同利用.如何更好地从多个源域中提取到故障轴承的共性特征并融合多源域知识协同诊断是主要挑战.针对上述问题,本文提出了一种内对抗指导的无监督多域适配网络;构造了一个内对抗模块以计算多源域对抗损失,并联合多组源域-目标域自适应子网指导提取多源域和目标域间的共性特征,增强知识覆盖能力;设计了一个多子网协同决策模块,利用多组源域-目标域的对抗损失和分布差异损失计算置信分数,以辅助多子网分类器做出更佳的融合决策,提升协同故障诊断的准确率.基于恒转速和变转速工况的轴承故障数据构造了多个无监督多源域迁移诊断任务,对比实验结果表明所提方法的优越性和鲁棒性.