基于FSDD和MAC的复杂工况滚动轴承在线故障诊断方法

环模制粒机的核心零件需在高温、高湿条件下长时间连续运行,极易发生滚动轴承故障,严重影响生产安全。针对复杂工况下环模制粒机滚动轴承故障无法在线诊断的问题,提出了一种基于频域空间分解(FSDD)和模态保证准则(MAC)的滚动轴承故障在线识别方法。首先,对滚动轴承的振动信号进行了在线测量,采集了不同工况下的故障振动数据,并采用均方根(RMS)方法,从不同工况下的振动信号中分析出了振动状况最严重的工况;然后,采用频域空间分解法(FSDD),识别出了其模态频率、阻尼比及振型等模态参数,并利用模态保证准则(MAC)从模态参数中提取出了故障特征频率,达到了损伤判断的目的;最后,以出现故障的K15环模制粒机为例,进行了滚动轴承在线故障诊断的实验。研究结果表明:基于FSDD和MAC的方法,可识别出环模制粒机的故障特征频率为57.83 Hz,故障点为轴承SKF 24024CC/W33的外圈;该方法可实现在复杂工况下滚动轴承故障的有效识别。

FSDD运行模态参数识别方法中不确定性的计算

运行模态参数识别是一种只利用响应数据进行模态分析的方法.环境激励条件下获得的识别结果会存在随机不确定性,这种不确定程度可以通过模态参数的统计特性进行描述评价.以运行模态分析中的频域空间域分解方法(FSDD)为研究对象,通过对整个模态识别算法进行摄动分析,确定出模态参数对测量误差的灵敏度,实现了模态参数方差的计算.计算过程分为四步:第一步,响应信号功率谱矩阵中噪声方差的估计;第二步,增强功率谱方差的计算;第三步,极点协方差的计算;第四步,模态参数方差的计算.最后通过一个4自由度仿真算例与张家港桥梁实测算例对所给出的方法进行了验证与应用.

基于曲线拟合的改进型FDD算法ImCFDD

提出了一种基于曲线拟合的改进型FDD算法Im CFDD,以加速度自功率谱矩阵的SVD分解得到的主奇异值为对象,推导了主奇异值与模态参数间的关系。推导表明:主奇异值与加速度自功率谱函数是等价的,奇异值可以分解为关于频率ω的分子和分母均为4阶的比值形式。据此建立了求解模态参数的表达式,并给出了迭代拟合算法。所提算法同频域分解算法FDD、增强型的频域分解算法EFDD、曲线拟合频域分解算法CFDD、频域空间分解算法FSDD有着本质的不同,在公式的推导上做了最小的简化,同时考虑了负频率部分和共轭极点部分的贡献,得到的模态参数求解方程是非线性的,需要迭代求解。最后,采用数值模型验证了新算法的有效性。

色散缓变光纤中皮秒啁啾脉冲的孤子效应压缩

文章从描述皮秒光脉冲在色散缓变光纤 (FSDD)中所满足的非线性 Schrodinger(NLS)方程出发 ,数值模拟了高阶皮秒光孤子在不同的 FSDD中的孤子效应压缩 ,并讨论了初始啁啾对其的影响 .结果表明 ,利用 FSDD和孤子效应压缩来压缩带有初始啁啾的高阶皮秒光孤子 ,可以得到更高的压缩比和品质因子 ,压缩后的脉冲的峰值功率明显提高 ,而且脉冲被压缩到最窄所需的光纤长度也大大缩短 .最后讨论了初始脉宽的影响 .