泄流激励下水工闸门运行模态参数自动识别

为了能够自动快速准确的识别泄流激励下水工闸门的模态参数,解决系统稳态图自动化定阶困难和真实模态筛选的问题,该研究提出了一种改进的势能聚类（Potential-based Hierarchical Agglomerative,PHA）的协方差驱动随机子空间（Covariance-driven Stochastic Subspace Identification,COV-SSI）水工闸门自动模态参数识别方法。首先采用小波阈值的方法对采集信号进行去噪处理。再通过奇异值加权判断指标（Singular-value Weighted Index,SWI）进行系统阶次及稳态图最大阶次的自动化确定,剔除稳态图中的噪声模态,进一步使用势能聚类方法实现结构模态参数的自动化识别。将该方法应用于泄流激励下弧形闸门试验模型中,并与锤击法测试结果进行对比分析,结果表明,所提识别方法在无需人工激励条件下,能够实现系统阶次和稳态图最大阶次的自动化确定,剔除稳定图中虚假极点。通过与试验对比,该方法平均相对误差为3.5%,可用于泄流激励下水工闸门结构运行模态参数的自动智能化识别。     

船舶水下液压清洗设备研究

在船舶不进坞的情况下,有效地清除附在其外表面上的海生物,有利于延长船舶坞修时间和提高船舶使用寿命.船舶水下液压清洗设备由回转机构、清洗机构、磁路机构等关键部件组成,通过摇杆摆动和叶片旋转来清除海生物,通过控制定位系统使叶片始终与船体保持一定距离以保护油漆,后续有高频超声波震荡来清除残余海生物.所研制的设备具有体积小、调节方便、功率大、清洗简单可靠等特点,具有一定的应用推广价值.     

电厂循环供水泵站立式异步电动机振动分析

针对扬州第二发电有限公司循环供水泵站立式异步电动机振动问题。从安装、检修和制造等方面分析了振动原因。在排除了园安装质量引发机械振动的因素后，现场通过频谱分析作进一步的振动测试分析，确定机组振动主要是由电动机电磁振动引起的。采取在定子线圈上增加三根均压线措施后，减小了电磁力的不平衡，振动减小至0．01mm左右，机组运行正常。     

含横向裂纹弹性盘轴系统的振动特性研究

建立了一般情况下含横向裂纹弹性盘轴系统的动力学模型 .利用 Lagrange方程得到了系统的动力学方程 ,采用假设模态法对变量进行离散 ,求出了系统振动频率与轴的转速、裂纹深度及裂纹位置的关系 ,并与有关文献进行了比较     

底层大空间高层结构自由振动的实用计算方法

以连杆节间为界，按弹性支座上的Ｔｉｍｏｓｈｅｎｋｏ悬臂梁建立剪力墙部分的振动方程，按一般框架建立框架部分的振动方程。根据力，位移协调条件，形成底层大空间高层建筑结构的自由振动方程，并据此计算其自由振动。     

环筋对加筋壳体振动特性的影响

本文基于弹性薄壳理论提出分析任意边界条件下，环加筋壳体振动特性的改进方法，系统分析了环筋尺寸和数目变化及环筋偏心对环加筋壳体振动特性的影响。与有关文献的模型实验结果比较表明，本文方法是正确的。     

JB23—60型冲床噪声机理及降噪方法的研究

It is difficult to control the noise of punch press. In this paper, using experiment way, the mechanism of noise generation on JB2360 type punch press which is widely used in works is investigated. According to experiment results,a method for reducing pun     

专用车辆系统结构振动特性分析

运用有限元与多体系统理论,研究分析了车辆多体系统中弹性体的运动学方程,以及用有限元方法表述多体系统中弹性体特征信息的方法。在合理模拟各种因素的基础上建立了刚柔耦合的一专用车辆系统动力学模型,并详细计算分析了该种车辆系统的结构振动特性,以及运行速度等对车辆结构振动特性的影响,同时与实验结果做了比较。结果表明,在参考点处计算平均值最大误差仅为3.77%。上述分析方法能使车辆多体系统的计算规模大为降低,同时又能保证结果的准确性,精度高而可靠,能满足工程系统结构振动分析的需要。     

根轨迹法在控制车辆纵向角振动中的应用

为研究控制轻型车纵向用振动的作用机理,建立了二自由度车辆振动系统模型,利用控制理论的根轨迹法,分析了悬架刚度变化对系统瞬态性能的影响,确定了前、后悬架刚度的取值范围。     

基于一维轻量化CNN的山地索道轴承故障诊断

为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN（one-dimensional mountain ropeways lightweight convolutional neural network ）,直接对采集到的一维振动信号进行检测。基于残差结构（residual structure）和深度可分离卷积（deep separable convolution）,引入BN（batch normalization）层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制（squeeze and excitation, SE）,提高网络模型的特征提取能力。为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩（paderborn university, PU）和凯斯西储（case western reserve university, CWRU）数据集进行试验验证。PU数据集试验结果表明,该方法故障分类准确率达99.43%,相比同类最优网络分类准确率提高0.97个百分点;参数量为83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的2.19%、0.81%、2.84%和3.31%。CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高9.1、4.7和10.5个百分点;在4种噪声工况下的平均识别准确率达99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高4.74、1.24和5.51个百分点。最后通过自建数据集对模型的实际工况故障分类效果进行验证,1 400个样本中仅有2个故障样本预测错误,准确率达99.86%。本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测。