课程文献中心 更多>>

关键词： 带斗门座起重机   自动化   路线  

摘要： 目前带斗门机自动化卸料过程中,如何确定抓斗的路线是自动化卸料的瓶颈。针对带斗门座起重机的实际应用,介绍了自动化作业实现方法;为了保证安全性和提高自动化卸货效率,确定路径关键点,再综合船的位置、料斗位置、抓斗尺寸、起升速度、变幅速度、齿条速度、起升加速度、齿条加速度等主要参数,计算最优卸料路线,并利用PLC实现卸料全程动作的自动控制。

关键词： 制动器   制动器闸瓦   制动器控制线路  

摘要： 本文在针对一起典型的电梯制动器失效展开的详细深入的调查分析后,发现事故发生的主要原因是一个抱闸接触器的一组触头阻值增大,导致制动器开闸时闸瓦带闸磨损,从而引发制动力矩严重不足产生轿厢快速滑移。通过对这起制动器失效事故调查分析,有助于提高电梯维保质量以及今后类似事故的处理。

关键词： 隧道工程   土压平衡盾构   多目标优化   掘进参数   改进NSGA-Ⅱ算法  

摘要： 基于福州滨海快线工程,建立盾构机掘进参数多目标优化模型;根据NSGA-Ⅱ算法在初始种群的分布和寻优速度上的不足之处,运用正交试验法对NSGA-Ⅱ算法进行改进;以中风化花岗岩地层为例进行多目标优化,分析算法改进前后的优化性能及掘进参数多目标优化结果,得到最优掘进参数组合。结果表明:优化后的盾构平均掘进比能降低6.29%,平均掘进效率提升7.19%,平均边缘滚刀单位距离磨损量下降2.37%。优化后的盾构刀盘性能得到较大提升,证明该优化模型可行有效。

关键词： 大底盘双塔楼   分布参数体系   功率流   复合被动控制   减震效果  

摘要： 在地震作用下,大底盘双塔楼结构采用隔震层和阻尼器协同控制方案有较好的控制效果,但该体系下各子结构间的能量流动并未被深入研究。文中将大底盘双塔楼复合被动控制体系简化为分布参数体系,利用多目标粒子群(multi-objective particle swarm optimization,MOPSO)算法,得到阻尼器最优参数。以此为基础,探究左塔频率和阻尼比变化时,各塔楼功率流方差、功率流流向以及随机功率流时变方差的变化情况。研究表明:采用一体化的设计流程可以增强大底盘双塔楼控制体系的耗能能力。隔震层和阻尼器使得具有底部隔震的右塔类似于一个大型的调谐质量阻屁器(tuned mass damper,TMD)控制装置。同时左、右塔楼不对称设计提供的动力差异进一步提升结构的减震性能。此时,较低楼层的能量将流入隔震层,而较高楼层的能量则由阻尼器进行吸收耗散。复合被动控制方案可使得结构更快地进入稳定状态。上述方案还可大幅降低随机功率流时变方差峰值。

关键词： 深度学习   时序   运行参数   振动   汽轮机  

摘要： 将深度学习智能算法应用到汽轮发电机组振动故障诊断领域,推进汽轮发电机组振动故障智能诊断的进步,采用深度学习结合专家经验的方法,根据振动专家现场振动故障诊断的经验,将振动故障的时序特征及运行参数对故障的影响融入传统的深度学习算法中,提出了基于时序深度融合网络的振动故障诊断算法。通过将时序特征及运行参数等对振动故障诊断有重要影响的静态量数据适当处理变换,使其能够应用到深度学习算法模型中,研究了该诊断系统的相关关键技术,包括特征提取、网络搭建、异构信息融合等。实验数据验证结果表明,融合了时序特征及运行参数信息的深度学习诊断算法在提高故障诊断准确率的同时,大大提升了网络性能,提高了网络鲁棒性和迁移能力。

关键词： 履带起重机   汽车起重机   塔式起重机   工程机械市场   混凝土泵车   搅拌车   叉车   旋挖钻机  

摘要： 据中国工程机械工业协会统计:2024年8月工程机械主要产品月平均工作时长为86.6小时,环比下降0.2%。其中:挖掘机75.4小时;装载机94.5小时;汽车起重机126小时;履带起重机101小时;塔式起重机62.8小时;压路机50.5小时;摊铺机68.5小时;旋挖钻机93.1小时;非公路矿用自卸车183小时;混凝土泵车47.3小时;搅拌车83.5小时;叉车65.6小时。

关键词： 数字孪生   行星齿轮箱   多维评价   故障诊断  

摘要： 鉴于实测数据的有限性及深度模型的数据依赖性,利用数字孪生技术仿真数据训练模型已成为趋势,确保虚实数据一致性仍是数字孪生驱动的健康监测与智能运维亟待突破的关键技术瓶颈。设计了一种数字孪生虚实数据一致性评价方法,并结合迁移学习的1D卷积神经网络进行故障诊断。通过频域相似性、波形相似性和余弦相似度对数字孪生模型的仿真数据与实测数据进行多维评价,确定多传感器实时数据融合驱动的仿真数据具有较高一致性。为更有效地应用仿真数据,并降低其与实测数据的差异,提出一种仿真预训练与实测数据微调的故障诊断策略。此方法为数字孪生的迭代进化提供了理论支撑,并为复杂装备的健康监测与智能运维提供了新的技术路径。

关键词： 特征模态分解   谱峭度   灰色关联分析   滚动轴承   故障诊断  

摘要： 考虑到滚动轴承的故障信号通常表现出非平稳、容易受到干扰而无法被有效诊断的特点,提出一种改进特征模态分解(feature mode decomposition,FMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障特征提取方法。首先,对FMD的滤波特性进行研究,合理选择其两个重要输入参数;其次,采用FMD对滚动轴承故障信号进行处理,得到多个模态分量的分解结果,并通过计算各模态分量与原始信号的灰色关联度及互信息来选择最佳模态分量;最后,通过谱峭度对最佳模态分量进行带通滤波来凸显信号中的周期性冲击成分,从而有效实现故障特征频率的提取。通过分析仿真信号和实验数据的结果,发现提出方法可以有效提取故障信号特征频率的包络谱峰值和倍频谐波部分,且相比于其他方法,谱线特征更加明显,说明使用该方法对滚动轴承出现的故障进行诊断是可行的。

关键词： 滚动轴承   微型卷积神经网络   多域融合   故障诊断  

摘要： 鉴于滚动轴承振动信号的不平稳性及单一信息域特征的局限性在一定程度上增加了故障诊断难度,提出一种基于深度学习和多域决策融合的轴承故障诊断技术。采用S变换和递归图变换技术将振动信号从一维时域扩展至二维时频域和空间域;为使诊断模型适应故障数据稀缺的现状,构建泛化性和自适应性较好的微型卷积神经网络,学习提取信号的多域特征,并使网络参数低至6个数量级,可实现快速训练和故障诊断;最后引入D-S证据理论对单域诊断结果进行融合。所提方法对凯斯西储大学数据集的9类轴承故障的平均诊断准确率达到99.84%。

关键词： 铁路信号   设备故障   布尔模型  

摘要： 铁路信号设备故障对于铁路运输安全性、准确性和效率具有非常重要的影响。因此,针对铁路信号设备故障进行诊断和预测是一个非常重要的研究方向。本文提出一种基于数据挖掘算法的铁路信号设备故障诊断方法,采用关联规则挖掘的Apriori算法和改进频繁模式增长(frequent pattern growth, FP-Growth)算法分析和预测信号设备故障的特点和规律,并比较了两种算法在不同最小支持度下的运行时间和效果。结果表明:改进FP-Growth算法在处理大规模数据时,尤其是在最小支持度较小的情况下,具有很大的优势。