基于时序模型和自联想神经网络的齿轮故障程度评估

齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。

基于自适应频带冲击强度的滚动轴承故障量化评估

滚动轴承故障程度量化评估是实现其有效剩余寿命预测和状态维修的基础,目前广泛研究的基于距离和概率相似度量的故障定量评估方法存在计算复杂且易于过早饱和等缺点,不利于在线监测应用。常规时域统计指标如均方根值(Root Mean Square,RMS)因具有计算简单且与故障发展趋势一致性较好等优点,在工程实际中得到广泛应用,但RMS对早期故障不够敏感。针对上述不足,提出了一种新的故障量化评估指标——自适应频带冲击强度(Shock Value of Selected Frequency Band,SVSB)。首先利用提出的包络谱谱峰因子(Crest of Envelope Spectrum,EC)对复平移Morlet小波滤波器的中心频率和带宽参数进行优化选择,得到自适应最优滤波器并对分析信号进行滤波;再将滤波信号的RMS值与EC值的乘积作为故障程度评估指标。该指标包含的RMS和EC分别反映了滤波频带内信号的总强度和冲击分量所占比例,因此能有效反映滚动轴承循环冲击故障特征的强弱,从而量化评估冲击类故障程度。人工植入故障实验数据和滚动轴承疲劳试验数据分析表明该方法能够有效跟踪轴承故障发展趋势并对早期故障敏感。

无线式球形机器人控制系统设计

设计了一种无线式球形机器人控制系统。该系统以STC89C52单片机为核心,主要由电机驱动芯片、nRF24L01无线传输模块、按键等部分组成。控制终端和机器人终端的STC89C52单片机通过nRF24L01芯片无线通信,控制终端发送命令后,球形机器人终端接收并执行命令,以控制球形机器人的运动状态。球形机器人能够在控制终端的控制下向各个方向运动并根据实际路面情况改变其行进速度。最后实验室制作出实物样机,实现了对机器人的无线控制。该系统易于改装和扩展,具有很强的灵活性和实用性。

内置杆气压缸驱动的机械增力气动夹具设计分析

气压传统夹具具有介质清洁、夹紧动作快速等优点,能够长时间保持恒定夹紧力而基本不消耗能量,但在现代机械制造中的运用却不如液压传动广泛,其关键因素是压缩空气极易泄露,造成气压传统的系统压力不可能太高。该文结合众多研究成果,针对内置活塞杆式气缸驱动的夹紧装置进行性能优化研究,并在其组合创新方面进行探索。

经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。