高DN值轴承损伤容限设计准则探讨

本文从断裂力学的角度探讨了航空发动机主轴承结构、材料引起套圈断裂问题。并给出了两个高DN值轴承套圈损伤容限设计准则。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

多故障转子-滚动轴承系统的动力学特性

为深入研究多故障转子-滚动轴承系统的机理,充分考虑了旋转部件的扭矩、剪切力、转动惯量及陀螺力矩等效应,采用Timoshenko梁单元和转盘单元建立了转子的有限元模型,集成了滚动轴承动力学模型,及不平衡、不对中、碰摩、裂纹及松动等故障模型,得到了多故障转子-滚动轴承系统的动力学方程。采用变步长龙格库塔法,获得了转子-滚动轴承系统的位移响应,研究了系统位移响应随转速变化的分岔图、庞加莱截面,以及故障特征处的时域波形图、轴心轨迹图、相平面图和频谱图,探究了多故障转子-滚动轴承系统的故障特征及其动力学特性和规律。仿真分析结果表明：多故障转子-滚动轴承系统在运行过程中存在周期运动,拟周期运动和复杂的类混沌运动等丰富的非线性行为,且在各非线性行为转速区间内,会呈现不平衡、不对中、碰摩、裂纹和松动等单一故障或耦合故障的特征和现象。     

混杂复合材料层合板抗冲击性能研究

为了探究复合材料层合板在实际应用中因承受冲击载荷而造成的结构安全问题,本研究采用实验和仿真相结合的方法,首先探究冲头形状对复合材料层合板损伤机理的影响,然后结合不同冲击能进一步揭示层合板的承载力和能量吸收变化规律。结果表明,相同冲击能下,层合板的损伤范围和承载力随着圆锥头、半球头、平头依次增加;相应的层合板的临界穿透能量随着圆锥头、半球头、平头依次增大;冲头形状和冲击能对层合板的吸能能力有较大的影响。     

基于AFI混合聚类算法的轴承故障诊断方法

针对滚动轴承振动信号标记数据量小、故障模式多样的现状,提出了一种基于AFI混合聚类算法的半监督式轴承振动信号故障诊断方法。利用小波包分解方法提取了信号的能量特征谱,并通过主成分分析方法增强了信号的特征;参考迭代自组织数据分析的“分裂”和“合并”的思想,为人工鱼群算法中的个体鱼增加了“分裂进化”和“合并进化”行为;采用模糊C均值方法定义了隶属度矩阵和目标函数,并利用改进的人工鱼群算法,迭代搜寻了目标函数的全局最优解,得到了各故障模式的聚类中心;通过计算测试数据的最近邻聚类中心,实现了故障模式识别。结果表明,该方法无需指定聚类簇数,能在标记数据量小的情况下完成训练,较同类方法表现出了更优的故障模式识别性能。     

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.      

基于LS-DYNA滚动轴承使役可靠度计算方法

利用软件LS-DYNA对滚动轴承使役过程进行了动态有限元计算,基于响应面法（RSM）建立6408滚动轴承输入参数与输出响应的函数关系方程,设定各类随机误差分布,利用矩阵试验法确定抽样点在输入变量抽样空间的位置,进行一系列确定性拟合试验.每次试验借助LS-DYNA进行精确求解,运用求解数据对方程进行最小二乘法回归分析确定方程的组成项及系数.最后利用函数关系方程计算轴承任意时刻的使役可靠度.结果表明:计算得出该轴承在0.020008s时的使役可靠度为97.062%.      

基于EMD-ICA与遗传算法的轴承故障诊断方法

针对振动信号中轴承故障特征信号微弱难以识别的问题,对通过试验采集到的内环故障、外环故障以及滚动体故障振 动信号进行处理。采用最小二乘法和指数平滑法对振动信号进行预处理,利用EMD分离振动信号的局部特征,并根据IMF分量 的信息熵增益比实现重构;采用ICA对混叠的振动信号进行分离,并对分离后的振动信号进行特征提取;采用遗传算法对多维振 动特征参量进行降维,筛选出最优特征参量;采用遗传算法优化的极限学习机对轴承故障振动特征集进行识别,将常见的SVM、 BP等诊断模型作为对比算法。试验结果表明：采用ICA能将混叠信号有效分离,实现故障信号的提取;遗传算法不仅能够实现最 优特征的选择,同时能够对极限学习机算法进行有效优化,提升算法的诊断效果。优化的算法相比其它诊断识别方法性能较佳, 使3种故障的平均诊断效果达到90%以上。