提出一种新型的双传感器圆度在线测量方法,零点位置随角度的变化而变化,能够实时准确测量不同角度的径向位移波动信号。利用最小二乘法拟合径向位移——角度曲线,通过角度信号的检测分辨出径向位移的真实信号。以转炉倾动耳轴为应用对象,得到相应表面轮廓曲线,根据此结果指导有关系统运行状态监测和故障诊断,体现了圆度在线测量在工业生产中的应用前景。

对实测采样振动信号的滤波处理，验证了形态滤波器在抑制信号干扰、保留信号原有特征方面的作用。定量分析了形态滤波器设计中结构元素的形状、宽度、幅值等因素对形态滤波器性能的影响程度以及振动信号的采样频率对结构元素尺寸的影响，并根据数据分析结果得出了在对旋转机械振动信号进行降噪滤波处理时，形态滤波器中结构元素的形状及尺寸的一般设计规律。

前言 在现代工程技术领域，存在着大量的振动问题。例如，车辆在凹凸不平的路面上行驶所引起的振动；旋转机械由于质量不平衡在运行中的振动等。在绝大多数场合，振动都是有害的，它将影响设备的正常工作，引起机器构件的加速磨损，甚至导致急剧断裂而破坏。为了解决工程振动问题，机械振动测试系统随着振动测试技术理论的发展和生产中对测试的需求与日俱增，并有着广泛的应用领域。

动摩擦力矩测试新方法吉林工业大学曾平，常颖，孙树廷天津理工学院白元章一、引言旋转机械的摩擦力矩测试，是了解机械设备的性能，提高机械设备的设计水平的重要实验环节之一。关于静摩擦力矩的测试，一般采用杠杆──重物测量力矩的方法，操作简便，精度可根据设计要求...

针对传统形态滤波器由于采用相同尺寸结构元素而导致的输出统计偏倚严重的问题，提出采用不同尺寸结构元素级联而成的开一闭和闭一开组合广义形态滤波器实现旋转机械振动信号的降噪方法。研究了广义形态滤波器在脉冲噪声与随机噪声干扰下的降噪效果，比较了广义形态滤波器与传统形态滤波器分别对仿真信号与实际振动信号的滤波效果。实例表明，广义数学形态滤波器能够更有效的消除噪声的干扰，获得更高的信噪比。广义形态滤波降噪算法只涉及加减和极大、极小运算，运算简单且执行高效，具有较好的实用价值。

为有效诊断旋转机械故障,提出基于集合经验模态分解(EEMD)的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数(IMF),分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明:多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型。依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果。研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3%。该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导。

现场故障诊断的对象通常是动力学特性不明确的旋转机械。为了提高故障诊断正确率,在大量案例分析的基础上,提出一种根据转子质量、设备容量等综合指标进行电力旋转机械分类的方法。以2 种多发故障为例,介绍不同类型设备故障振动信号特征和实例。实践证明,采用这种设备分类方法可以实现故障特征的细分,可以明显减少误诊。

了实现转子系统振动抑制，设计了一种适用于旋转机械的张力弦-永磁刚度动力吸振器.利用张力弦结构的拉力-刚度可调特性，实现吸振器的频率可调；又引人永久磁铁构成的刚度机构，使得吸振器 整体结构与转子系统相互分离.对转子-动力吸振器系统进行动力学建模和仿真分析，研究了吸振器的工作特性，又进行试验研究证明理论研究的正确性.研究结果表明，该吸振器可以达到转子系统振动抑制的效果，在永磁刚度机构磁铁间距小时吸振器效果好且更加稳定.

在对旋转机械进行故障诊断时，通常要从时域、频域或时频域提取故障特征参数，组成原始的故障特征向量，然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此，本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价，选择出分类能力较强的特征；再通过特征相关度算法剔除其中分类能力相近的冗余特征，将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断，实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验，并与传统的主元分析（PCA）方法对比，结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。