基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明:IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策略能够快速且有效地识别滚动轴承的故障类型,具有应用的潜力。

转管武器机心加速度测试实验

由于转管武器机心既由凸轮曲线控制做往复直线运动,又随回转组件做旋转运动,所以需要采用存储测试技术进行机心加速度测试。分析了存储测试系统的基本功能,存储测试装置根据转管武器机心结构尺寸进行了微型化设计,将存储测试装置放入改进的模拟机心内,加速度传感器采用一维加速度传感器,在不同模拟射速下,对转管武器机心加速度进行了测试实验。实验结果与转管武器含间隙运动副动力学仿真计算结果进行了对比分析。分析结果为转管武器凸轮曲线的优化设计、机心强度分析以及功耗分析提供了实验依据。

发动机叶片机器人精密砂带磨削精度检测技术

当前精密砂带磨削精度检测技术检测准确率低,检测效率差;为了解决上述问题,引用发动机机器人研究了一种新的精密砂带磨削精度检测技术,对其精度数据进行采集,将采集出的系统数据作为基础信息来源,获取叶片零部件的点云信息,处理机器人的工作主坐标系,通过三维激光扫描获取叶片机器人的准确信息,同时配以打磨剖光操作,以PCA算法解析,进一步将数据集简化,根据数据主要分布规律选择合适的算法加工位置与范围,在三维空间中,将点分别对应坐标轴中的点进行匹配,通过对磨削接触面的轮廓以及磨削表面完整性进行分析,以实现对发动机叶片机器人精密砂带磨削精度的检测;实验结果表明,相较于传统检测技术,发动机叶片机器人精密砂带磨削精度检测技术检测精度提高了31.28%,检测误差降低了15.21%。

SUMT法在传动轴优化设计中的应用

惩罚函数(SUMT)法将一个约束优化问题转化为一系列无约束优化问题来求解,数值稳定性好,求解范围广。将其应用到某型号空心传动轴的重量最小化设计,以其各项使用性能和尺寸要求为约束条件,采用内点罚函数法建立优化设计的数学模型,通过迭代得到最优设计参数。结果表明：SUMT法收敛快、精度高,是求解机械优化设计问题的高效算法。