行星齿轮箱作为旋转机械中关键部件,对其进行状态监测和故障诊断分析,不仅对安全生产和经济增长,还对避免工业事故和减少人员伤亡.具有重要意义。本文以行星齿轮箱为研究对象,利用改进经验小波变换、稀疏编码收缩、卷积网络、迁移网络等技术手段,从信号特征提取和智能诊断两方面进行研究,提出了基于深度学习的行星齿轮箱智能故障识别方法。论文的主要研究内容如下:(1)介绍了课题背景及研究意义,阐述了行星齿轮箱故障诊断
履带起重机在作业现场经常需要吊装上百吨的被吊物到指定位置。由于被吊物通常体积和质量都比较大,并且起重机本身结构复杂,因此履带起重机的吊装作业的安全性,始终是人们必须考虑的一个问题。然而,起重机的作业环境中存在大量动态和静态障碍物,比如工人、工程车辆和建筑物等,这些障碍物会影响吊装作业的安全性,严重的可能会造成人员伤亡和财产损失。除了安全性以外,由于起重机的运行成本很高,反复试吊的成本很大,通过计算
螺栓连接——机械设备中应用最为广泛的连接形式,螺栓连接的优点是结构简单,连接紧凑,易于组装和拆卸。然而,常规的螺栓预紧力加载过程往往依靠扭矩或扭矩—转角法实现预紧力的控制,从而难以有效地检测并控制预紧力。螺栓预紧力测试一直是机械及高端装配领域非常热门的研究方向之一。在测试方法层面,有超声法、结构动态检测法、基于机器学习的方法及压电阻抗法等。总体来说,现今对于螺栓预紧力的测试难以实现对单螺栓预紧力的
滚动直线导轨副作为机械装备中常见的部件,自问世以来一直是科研人员研究的热点。滚动直线导轨副的刚度稳定性是衡量机械装备性能的重要指标,掌握其刚度的变化规律及发生机理是在设计环节提升机械装备品质的行之有效的手段。目前我国高端机械装备中使用的滚动直线导轨副主要依赖于进口,国产导轨副在品质上依然无法与国际同类先进产品抗衡,因此,从设计源头出发,提出高水平分析理论与方法是当前的核心价值所在,更是发展高品质的