缝纫/RFI层合板单钉连接性能试验研究

通过对不同铺层及不同缝纫角度的缝纫／RFI层合板的单钉单剪连接强度试验,了解到缝纫针脚位置对缝纫层合板机械连接性能有显著的影响。当针脚距离钉孔受挤压边缘较近时,缝纫层合板的挤压破坏强度低于普通的层合板,只有当针脚在钉孔挤压区外或距离钉孔受挤压边缘较远时,缝纫层合板才显示出好于普通层合板的机械连接性能。试验结果还表明铺层比对缝纫层合板的机械连接性能也有影响,其规律类似于普通层合板。     

计及多因素影响的永磁电机空载气隙磁密解析计算法

为准确而快速地计算与评估电机的性能,以I型转子结构永磁电机为例,提出了一种计及多因素影响的空载气隙磁密的解析计算法,并用有限元进行了仿真验证。分析了永磁体尺寸、隔磁桥高度和极弧系数等参数对气隙磁密的影响规律,为优化电机方案提供了思路。     

单颗磨粒磨削仿真研究进展

概述了传统磨削仿真的基本方法及发展过程,总结了磨粒模型和工件模型的研究现状,具体分析了有限元法、光滑流体粒子动力学法、分子动力学法以及综合仿真方法等应用于单颗磨粒磨削材料的去除机理、成屑机理、工件表面质量以及磨粒磨损等仿真中的研究现状,最后阐述了各类仿真方法的局限性,并提出了单颗磨粒磨削仿真进一步的发展前景。     

液浮惯性仪表温度场的仿真分析

液浮惯性仪表精度跟温度场有关联,温度分布不均匀和温度波动都会对仪表精度产生影响,因此研究液浮惯性仪表内部的温度场分布尤为重要。利用有限元方法对液浮惯性仪表进行温度场仿真计算,根据仪表的结构特点合理的设置了测温点,通过试验的方法提取了特征点的温度值,验证了仿真结果的正确性,为液浮惯性仪表的热设计提供了基础参数。     

一种新型陀螺的力矩器非圆性误差补偿方法

为提高磁悬浮控制敏感陀螺（MSCSG）对陀螺载体姿态的敏感精度,基于其洛伦兹力磁轴承（LFMB）的设计结构,提出了一种力矩器非圆性误差补偿方法。首先,针对一种新型双球形包络面转子MSCSG,介绍了MSCSG的结构特点与陀螺载体姿态角速度敏感原理,并分别建立了MSCSG力矩器半径误差模型、转子偏转干扰力矩模型与陀螺载体姿态角速度敏感误差模型。其次,通过实验测量了力矩器的圆度,通过MATLAB进行数据拟合得到了力矩器的非圆特性,采用勒让德多项式级数对力矩器非圆性进行了描述,并有效补偿了因力矩器非圆性误差导致的姿态角速度敏感误差。最后,对误差补偿效果进行了仿真验证,结果表明该补偿方法使陀螺载体姿态角速度敏感误差降低了83.5%。此外,本文方法还可以解决LFMB陀螺的相关共性问题。      

径向磁气组合轴承系统的动态性能

为探究磁轴承失效时能否减轻转子跌落带来的损害,将人字槽径向动压气体轴承引入磁轴承转子系统,研究磁气组合轴承对系统动态性能的影响和动压气体轴承的支承特性。采用有限差分法和小扰动法求解气膜厚度方程和雷诺方程,研究动压气体轴承的静动态特性。对磁轴承电磁力进行了分析,采用磁轴承不完全微分PID（比例-积分-微分）控制策略,对系统进行了理论模态分析和试验模态分析,完成了系统高速旋转试验,测试了动压气体轴承在不同偏心率和转速下的承载力。结果表明,引入动压气体轴承可提高系统的动态性能,在磁轴承失效造成高速转子跌落瞬间,偏心率趋近于1,两个径向动压气体轴承能够产生较大承载力,减轻转子跌落造成的损害。      

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

柔性铰链放大式超磁致伸缩致动器磁弹耦合模型

针对超磁致伸缩致动器(GMA)输出位移有限的问题,采用柔性铰链放大机构放大GMA输出位移,利用材料力学理论、拉格朗日动力学方程和有限元法对柔性铰链放大机构的位移放大倍数、动力学特性进行了分析.结合Jiles-Atherton(J-A)模型和二次畴转模型建立了柔性铰链放大式GMA的磁弹耦合模型,并在软件AMESim&Simulink联合仿真环境中进行了数值仿真.制作了柔性铰链放大式GMA样机,对其进行了动态性能实验,仿真和实验表明:经过放大,柔性铰链放大式GMA输出位移可以达到0.4mm;频带宽超过100Hz;所建立的磁弹耦合模型是有效的.      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.