基于敏感瞬态冲击特征提取与分层极限学习机的行星齿轮箱故障诊断研究

在行星齿轮箱故障智能诊断中,针对其振动信号特征"难提取"、构建的特征向量集"质量差"以及基于极限学习机的故障分类模型"精度低"的问题,提出一种如何捕获其振动信号中敏感瞬态冲击特征并据此构建高维特征向量集与提升极限学习机故障分类精度的行星齿轮箱太阳轮的状态辨识方法。首先,将所测取振动信号分别经快速峭度图求解和变分模态分解,筛选出与其最大峭度值对应中心频率fω相匹配的若干个本征模函数,然后,求其改进多尺度排列熵值来构建高维特征向量集;其次,利用去噪自动编码器使极限学习机隐含层节点的输入权值和阈值满足正交条件实现其隐含层的分层;最后,将上述特征向量集作为分层核极限学习机的输入,通过训练建立行星齿轮箱太阳轮的故障分类模型。结果表明,所提方法实现了太阳轮振动信号中敏感瞬态冲击特征的有效提取及其特征向量集的高质量构建,同时也提高智能诊断模型的分类精度。

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。

KTA-KELM在滚动轴承故障诊断中的应用

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel Extreme Learning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(K ernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92.5%和90%提高到98.75%,分别提高6.25%和8.75%。

履带车辆行动系统扭杆腐蚀断裂的分析

履带车辆悬挂系统的扭杆是减震缓冲的关键承力元件,其受力是典型的疲劳载荷。车辆所处的环境因素会对扭杆产生影响,通过实地取样,系统地进行了受力分析、断口分析、涂层失效及腐蚀因素分析,研究了扭杆发生非正常早期断裂失效的原因,并提出了相应的对策。

20Cr2Ni4A齿轮钢高温渗碳工艺

对20Cr2Ni4A齿轮钢的高温渗碳工艺进行了研究,并对其显微组织、硬度梯度、晶粒度等指标进行了测试。结果表明20Cr2Ni4A齿轮钢在高温渗碳后油淬及高温回火后的显微组织为回火马氏体加少量残留奥氏体,并在渗层表面弥散分布有碳化物颗粒,渗层表面硬度达58~62 HRC。高温渗碳后奥氏体晶粒度可达到8级,显著提高了渗碳效率。