造船转模微机统计分析软件

本文介绍我厂学习日本水岛船厂进行造船转模,把造船过程中发生的工时细分,用微机进行统计,对造船特别是批量船全过程各区间的工时跟踪、比较、监控及报价起到重要的参考作用.     

探寻中国高速铁路发展模式

自8月1日京津城际铁路通车运营以来,时速300km至350km动车组列车运行平稳有序,受到广大旅客青睐,每逢周末更是趟趟爆满。据统计,截至9月1日,京津城际铁路通车运营1个月,运送旅客183.1万人,列车正点率98%。实践证明,中国铁路已经站在了世界高速铁路技术的前沿,中国高速铁路的发展模式是成功的。     

浅谈I-DEAS建模

I-DEAS是集成设计、制造、分析等应用模块的软件,建模是I-DEAS的首要工作.通过介绍I-DEAS建模步骤,建模技巧和如何修改模型,分析模型修改过程中产生错误和警告的原因,并探讨如何识别并解决建模过程中的错误与警告.     

关于车辆维修中二系簧加垫的分析与计算

在车辆维修手册中规定,当车轮两次镟轮轮径值减少量超过一定限度以后,需要在二系簧下加垫片补偿,以保证车体高度。对广州地铁现有的4条线车辆该值进行分析与计算,并得出相应结论。     

优化GM(1,1)模型在桥梁静载试验中应用

设计一种适用于桥梁静载荷试验中极不完备数据条件下的优化GM(1,1)模型。使用3个前置神经网络模块替换传统模型中的微分拟合过程,利用神经网络的回归能力对其进行优化,使用1个后置神经网络模块结合1个数据解模糊模块替换传统模型的数据还原过程,其他数据处理方式沿用传统模型的数据处理方式。经过仿真计算,发现不同桥梁设计规模下,优化模型的标准差显著低于传统模型,证实优化模型具有较显著的算力提升。     

基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.     

大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

城际轨道交通动车组一系钢弹簧断裂故障问题研究

一系钢弹簧是动车组重要的承载和减振部件,其故障问题主要集中在断裂和磨损上。目前对于钢弹簧断裂故障的分析大多基于仿真和材料学分析方法,而未对其异常受力根源进行深入研究。从振动响应角度对某动车组一系钢弹簧疲劳断裂故障问题进行深入分析,综合理化分析、振动模态测试以及车轮状态调查,找到钢弹簧失效的根本原因,即车轮存在多边形,且其产生的强迫振动导致钢弹簧发生接触性疲劳断裂。通过车轮镟修,解决了钢弹簧断裂故障问题。     

基于磁链观测电压定向的PWM整流器矢量控制研究

电压定向的矢量控制是PWM整流器常用的控制策略,本文在此控制策略基础上进行改进,建立无电压传感器的矢量控制模型。采用类似异步电机磁链观测的方式构造磁链矢量观测磁链,依据磁链矢量和电压矢量的关系获得电压矢量的角度,以达到省掉交流电压传感器,降低成本的目的。设计了电压角度观测器,并在MATLAB/simulink环境下构造了磁链观测电压定向的PWM整流器矢量控制仿真模型,验证了观测的可实现性和控制的良好性能。     

Feature Extraction of Bearing Vibration Signals Using Second Generation Wavelet and Spline-Based Local Mean Decomposition

In order to extract the fault feature frequency of weak bearing signals,we put forward a local mean decomposition(LMD)method combining with the second generation wavelet transform.After performing the second generation wavelet denoising,the spline-based LMD is used to decompose the high-frequency detail signals of the second generation wavelet signals into a number of production functions(PFs).Power spectrum analysis is applied to the PFs to detect bearing fault information and identify the fault patterns.Application in inner and outer race fault diagnosis of rolling bearing shows that the method can extract the vibration features of rolling bearing fault.This method is suitable for extracting the fault characteristics of the weak fault signals in strong noise.