高效带宽傅里叶分解及其轴承故障诊断应用

自适应带宽傅里叶分解(Adaptive Bandwidth Fourier Decomposition,ABFD)是一种基于带宽优化的非平稳信号分析方法。然而,以中心频率重叠度作为分解终止条件在实际应用中会分解出若干冗余的模式分量,造成分解效率降低,为后续分析增加负担。为此,提出高效带宽傅里叶分解(Efficient Bandwidth Fourier Decomposition,EBFD)的轴承故障诊断方法。该方法构建重加权峭度引导的快速停止准则,能够高效地确定最优分解模式数目,避免大量冗余分量的干扰。进一步地,根据重加权峭度指标定位出目标故障分量,实现轴承故障诊断。滚动轴承故障试验信号分析结果表明:所提出方法能够高效终止分解进程,得到所有潜在的模式分量,并准确定位出故障分量;由EBFD与ABFD提取故障分量的归一化频率能量比均为1.0,EBFD运行所需时间为3.3 s,分解速度相较于ABFD提高33.8 s;相较于其他信号分析方法,采用所提出方法能够更准确识别出轴承故障特征。

基于流固耦合的客车风窗玻璃风致振动特性

采用流固耦合计算方法对客车聚乙烯醇缩丁醛(PVB)夹层风窗玻璃进行了数值模拟计算,获得了客车在高速行驶中风窗玻璃的风致振动特性,及厚度变化对风窗玻璃变形和应力的影响规律.研究结果表明,厚度减小,风压变形明显增大,但应力变化不规律.研究结果可以为高速客车及列车风窗玻璃优化设计提供相关理论基础.

基于改进社会工程算法的拆解线平衡多目标优化设计

目的 为了提高拆卸效率,减少拆卸成本和拆卸能耗,提出一种基于社会工程算法的优化方法。方法 首先根据社会工程算法的原理设计了编码和解码方式,然后引入交换子和交换序列的概念,对算法中的训练和再训练、发现攻击和响应攻击等步骤进行设计,最后选取一个高速电子套结机作为实验对象进行了验证。结果 与其他多目标优化算法相比,具有良好的寻优能力。结论 提出的算法有效地解决了拆解线平衡问题,与其他算法相比具有更好的性能。

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分析;基于变分模式分解的特性,构建一套完整的基于收敛趋势变分模式分解的齿轮箱故障诊断方法,并应用诊断方法于汽车变速器齿轮箱中齿轮早期局部损伤故障识别和齿轮接触疲劳试验机中齿轮箱故障诊断。研究结果表明:在变分模式分解算法中存在着收敛趋势现象,随着初始中心频率的逐渐增大,所提取模式的收敛中心频率与其相对应的初始中心频率具有特定的收敛关系;提出的方法无需参数先验知识,可自适应地将振动信号进行分解;试验1中提出的方法分解得到的故障分量峭度为3.056,优化处理后故障分量的峭度为24.812,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为2.830和2.421,快速谱峭度分析方法未能提取出故障分量;试验2中诊断方法分解得到的故障分量峭度为3.467,优化处理后故障分量的峭度为19.780,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为3.231和3.361,快速谱峭度分析方法未能提取出故障分量;提出的方法能够增强瞬态特征和故障特征频率,在齿轮箱故障诊断方面更具准确性和优越性。