电解槽打击头上粘的“壳头包”对电解槽的正常生产产生危害,打击头进入电解槽熔体的深度过深是产生壳头包的主要原因之一。电解铝厂打壳气缸和锤头安装使用后,锤头打击进入电解槽内的深度可以确定,但电解槽熔体的总高度是变化的,熔体总高偏高时,打击头进入熔体深度增加。针对上述缺陷,设计了一种具有可升降气缸的装置,该装置采用螺旋丝杠原理,通过操作螺旋丝杠来调节打击头打击的合适深度,不仅减少壳头包的产生,而且能延长锤头的使用寿命。

分析了橡胶密封件损坏的形式、危害、原因,并提出了解决对策。

当滚动轴承处于早期故障阶段的时候,受环境噪声和信号衰减的影响,滚动轴承振动信号特征频率成分难以精确提取,并且在信噪比较低时CEEMD不能很好提取微弱故障。针对上述问题,提出了基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)和最大相关峭度解卷积(Maxim correlated kurtosis deconvolution,MCKD)相结合的故障特征提取方法(CEEMD-MCKD)。两种方法的结合有效解决了CEEMD分解后无法提取出淹没在背景噪声中微弱信号特征的问题,又保持了信号的完备性,避免了有用信息的损失。通过仿真和试验验证了该方法的有效性及优点。

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作：一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。

该文针对液压支架立柱在煤矿井下使用时,经常出现的涨缸损坏现象,通过分析计算,重点阐述了引起立柱涨缸损坏的主要原因,并提出有效解决措施。该论文技术涉及支架液压控制系统设计,特别是液控单向阀、换向阀、立柱的设计与制造技术关键,具有一定的设计参考价值。

液压法装配因其工艺可控性较好,目前在电机锥面过盈连接装配过程中普遍采用。论文以一种锥面联轴节的过盈连接为例,介绍了采用液压法装配压力及液压介质的确定方法。

根据液气悬挂装置性能测试试验台的工作原理和试验要求，建立了其静功能测试模块液压系统的仿真模型，通过仿真得到了关键零件——轴向固定器的载荷曲线。依据载荷曲线及载荷性质，对轴向固定器进行了有限元优化，得到了最终的优化设计结果。