三支点柔性转子系统支承不同心激励特征及振动响应分析

针对航空发动机三支点柔性转子系统的支承不同心问题,充分考虑转子结构特征和载荷特征,首次将当量刚度引入多支点柔性转子不同心问题的动力学分析,定量描述转子系统各支承间不同心度带来的转子轴段刚度非线性,并提出了多跨度柔性转子系统支承不同心激励的数学描述,建立了不同心激励下多跨度柔性转子系统的力学模型。基于Lagrange能量法,给出了转子系统动力学方程的求解方法,研究得到了支承不同心转子系统的动力响应特征。结果表明:支承不同心不仅引起转子过渡轴的刚度非线性,产生2倍频激励,还会给转子系统带来附加不平衡激励;对于三支点柔性转子系统而言,2倍频分量同样是支承不同心下转子系统振动响应的典型特征之一。转子系统2倍频分量随不同心量的增加而迅速增加,而1倍频分量基本保持不变。同时转子振动响应呈现"缓增速降"趋势,且随非线性刚度、不平衡量的增大愈加明显。     

气旋现象对气体静压轴承微振动影响的实验

气体静压轴承是气浮系统的重要组成元件,其气膜自激微振动会降低气浮系统的工作精度和刚度特性。为了进一步提高气体静压轴承的工作精度和稳定性,在分析轴承内部气膜波动形成机理的基础上,开展了数值计算及实验研究。不仅验证了气旋分布规律和气旋中心压降的存在可靠性,并且有力证明了气膜支撑区域内沿流动方向存在的分区现象。结合实验进一步分析了影响高压区气旋强度和分布位置的可能因素。结果表明:供气压力、供气孔径和气腔结构都分别对气旋的位置和强度有各自不同的影响规律;而主气旋的核心位置和内外压差造成的压力脉动又会直接决定气体静压轴承微振动的强度和频率特征。      

高重合度齿轮传动系统的振动参数稳定性

研究了高重合度齿轮转子-滚动轴承传动系统的振动强度稳定性以及振动轨道稳定性随系统参数的变化规律。通过振动强度参数稳定域的计算,量化了高重合度齿轮副对齿轮转子 滚动轴承传动系统稳定性提升的贡献大小。结果发现在转子质量偏心较小的条件下,高重合度齿轮系统的振动强度稳定性要比普通重合度齿轮系统提升很多;但在转子质量偏心较大时,高重合度齿轮副的采用对传动系统参数稳定域的扩张并没有显著贡献。通过振动轨道稳定性全局分岔图的计算,明确了滚动轴承游隙、转子质量偏心等参数对高重合度齿轮转子-滚动轴承系统振动轨道稳定性的影响规律,获得了系统各种稳定周期轨道及非周期轨道与对应参数区间的映射关系。      

基于Kriging模型的轴承结构参数优化设计方法

轴承的生热率与轴承的使用寿命密切相关,为了减小轴承的生热率,以滚动轴承拟静力学分析和滚道控制理论为基础,求得轴承运转过程中的相关参数,进而得到轴承生热率.将轴承最小生热率为目标函数,通过Kriging模型和粒子群优化算法相结合的方式进行了轴承结构参数优化.对NSK 7016A5轴承的研究结果表明:轴承结构参数优化后,轴承整体和轴承内外圈生热率均变小.Kriging模型和粒子群优化算法相结合的轴承结构参数优化方法取得了良好的设计效果,并且提高了轴承的设计效率.      

航空发动机主轴承接触应力精确仿真计算方法

采用稳态热分析与动态接触力学分析相结合的方法以提高计算精度,考虑轴承摩擦生热及瞬态冲击效应的影响,得到经热应力修正的轴承应力分布及变化特征。研究表明:最大动态接触应力位于钢球表面,外圈滚道次之,内圈滚道最小;轴承接触应力具有明显动态冲击响应特性,分布及大小具有随机变化性;接触应力由主应力与剪切应力共同构成,随转速及轴向载荷增大而增大。      

某滑动轴承-转子系统次同步失稳机理分析及试验研究

通过简化的轴承转子系统模型,分析了次同步失稳机理,给出了次同步失稳解决方案。在试验台架上进行了5叶可倾瓦滑动轴承支承的柔性转子系统运转试验,当工作转速处于2和3阶临界转速之间时,观察到了明显的次同步失稳现象,获得了失稳门槛转速,分析得出轴承中环形流体周向平均速度系数。通过修改转子结构,提高低阶横向弯曲临界转速,有效消除了次同步失稳,实现了试验转子的超高速稳定运行。     

舰载机壁板剪切后屈曲承载能力预测与试验验证

舰载机着舰撞击对机翼盒段产生巨大的扭矩,蒙皮以剪切形式承受扭矩,这是机翼壁板的重要设计工况。为准确预测加筋壁板剪切后屈曲承载能力,采用MSC.NASTRAN软件MRIKS弧长法,将线性屈曲分析的一致模态缺陷位移作为扰动引入后屈曲分析。考虑材料和几何双重非线性,对整体加筋壁板剪切试验件的后屈曲破坏过程进行模拟、对承载能力进行预测。根据剪切试验结果,进行对比分析。结果表明：有限元模拟的加筋板初始屈曲发生在蒙皮上,长桁足够大的相对刚度使得长桁与蒙皮连接线上出现屈曲节点,随着载荷增大,加筋壁板整体"坍塌",与试验现象一致。有限元分析（FEA）得到的初始屈曲载荷与试验结果的误差为1.25%,预测的极限承载载荷与试验破坏载荷的误差为2.4%。表明引入缺陷后的MSC.NASTRAN弧长法非线性后屈曲计算能够准确预测加筋壁板剪切后屈曲承载能力,为加筋壁板剪切试验和强度设计提供了分析方法。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。