为了探索配置无粘结部分预应力钢筋的混凝土柱在震后的复位性能,进行了4个无粘结部分预应力混凝土柱试件的低周反复荷载试验,其中3个试件配置了无粘结部分预应力钢筋,另外1个试件为不加预应力钢筋的对比试件。试验结果表明,无粘结部分预应力混凝土柱相比较于普通钢筋混凝土柱的滞回耗能能力相对较差,但震后残余变形较小,表现出了良好的复位性能;预应力度水平对无粘结部分预应力混凝土柱的残余变形、复位能力、承载力、延性和滞回性能等特性有重要的影响。

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。

针对经验模式分解(EMD)分析强非平稳振动信号时包络线出现的过包络与欠包络问题,提出一种复合插值包络经验模式分解方法(CIEEMD)。该方法在定义信号非平稳系数及包络线端点衔接方法的基础上,使用单调分段三次Hermite插值(MPCHI)构造局部强非平稳信号包络,三次样条插值(CSI)构造局部平稳信号包络,形成复合插值包络线进而提高EMD分解精度。利用仿真信号分析验证了CIEEMD对强非平稳信号的适用性。以往复压缩机轴承间隙过大故障为研究对象,CIEEMD不仅分解性能优越,且包络谱的故障频率更为显著。

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。

针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。

针对往复压缩机气阀断裂型故障危害下故障振动波形的变异特点,为提高常见的气阀阀片失效后期断裂型故障的识别率,提出一种基于最优变分模态分解(OVMD)和三维奇异谱融合的诊断算法。通过VMD参数优化,利用多重分形去趋势波动分析(MFDFA)提取模态分量的三维奇异谱参数分析,结合核主分量分析降维提取不同工况模态分量的特征值,并建立完整的OVMD_MFDFA融合诊断识别方案。模拟试验和算法对比证实,该法能有效提高环状气阀阀片断裂故障诊断效率和准确性。

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间,忽略最大预测可信时间而得到的仅包含有限离散振动幅值的预测,对具有周期震荡趋势信号的特征识别与寿命分析意义甚微。笔者从信息熵角度计算预测可信时间,在对振动时序局部均值分解(LocalMeanDecomposition,LMD)的基础上,建立基于KNN(KNearestNeighbor)非参数改进预测算法,从能量角度选择LMD主分量和影响权值,对主分量做相空间重构并构造预测序列,以最大预测可信时间为重构间隔,对不同特征模态相空间重构以实现对模型的变参数寻优;采用上述预测算法对2D12往复式压缩机轴承振动序列计算并提取故障特征分量,对比分析表明,该算法能较准确预测序列演化趋势并为寿命预测提供有效支撑。

结合神经网络和支持向量机的优点，针对实际应用的不同阶段，提出了一套基于神经网络和支持向量机的复合故障诊断技术。该技术不但可以融入新的故障信息，而且可以使故障诊断模型始终处于最优识别状态，并以往复压缩机气缸系统常见故障的诊断为实例，验证了该技术的有效性.

以往复压缩机传动机构为对象，利用ADAMS软件的碰撞函数，建立带有转动副间隙的往复压缩机传动机构多体动力学模型，研究间隙转动副对机构动力学性能的影响。考虑间隙幅值、气缸载荷、曲轴转速和柔性连杆等影响因素，进行五种工况的动力学分析。仿真的结果表明所述因素对机构的动力学性能影响显著。

往复压缩机工况恶劣、结构复杂、易损件多等特点，增加了压缩机故障诊断难度。将EMD信息熵和支持向量机（SVM）技术相结合，应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解，计算其信息熵值，并提取出能反映轴承工作状态的信息熵，将其作为特征向量训练SVM网络。结果表明，EMD信息熵和支持向量机相结合的方法，可以准确识别压缩机轴承故障。