由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

现代机械设备逐渐关联化,传统的单通道数据难以全面反映设备的运行状态。因此提出一种以全矢谱为基础结合核主成分分析和隐马尔科夫模型的滚动轴承剩余使用寿命预测新方法。首先利用全矢谱技术,对原始信号的振动信息进行同源双通道振动信息融合,克服单通道信息不全的缺点,得到较为全面的频谱结构。然后对融合后的信号进行多元时频特征提取,利用KPCA降维方法,设置降维数据置信率为95%,提取主元信号,以HMM最大似然值识别当前设备运行状态,从而进行剩余使用寿命的预测。最后,利用轴承的全寿命进行验证,结果表明该方法可以对滚动轴承剩余使用寿命进行较为准确的预测!

为了保证电梯的安全制动,以直驱电梯安全防坠装置为研究对象,设计了一种安全钳防坠装置,并对安全钳制动可靠性进行了理论分析。最后,利用ADAMS动力学仿真软件对制动过程进行仿真,得到了安全钳的制动速度、加速度和制停距离的变化曲线。结果表明,该防坠装置具有良好的制动性能。

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。

双螺杆泵容积效率的影响因素复杂且容积效率计算困难。为解决此问题,提出一种基于理论模型及响应面法相结合的容积效率建模优化方法。基于平行平板液流理论建立双螺杆泵效率理论模型,进行敏感度分析,筛选出影响泵容积效率的最敏感设计参数为间隙、压差及动力黏度。基于正交试验和响应面法,通过有限元数值仿真分析,建立泵容积效率与敏感参数的拟合关系模型。仿真结果表明所选择的敏感参数对效率影响均显著。基于该拟合关系模型,以容积效率为优化目标,建立优化模型并求解,获得最优敏感参数组合,使泵容积效率显著提高。所提优化方法可降低仿真计算的复杂性,提高理论模型的精度。

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。

针对机器人减速器疲劳寿命测试需求,在机器人减速器疲劳寿命测试方法的基础上研制了机器人减速器疲劳寿命测试装置,对测试装置关键件进行了分析,并进行了试验验证。相比已有连续回转工作模式的测试装置,此测试装置采用往复摆动的惯性负载构件加载,可以模拟机器人减速器实际使用的运动方式,能高效、准确地进行加速疲劳寿命试验,并且测试精度高、成本低。

济钢高炉系统均采用嘉恒法渣处理工艺,由于长期使用焦化蒸氨废水,导致设备出现腐蚀磨损严重、维护作业量大、检修施工难度高、生产成本高等诸多问题。经过对渣处理系统进行去粒化轮改造、耐磨防腐等一系列措施,提高了设备的使用效率和寿命,降低了维护作业量。这些改进措施也在新建高炉的渣处理设备中得到应用。