摘要：由于齿轮裂纹特征难于提取,且常用的特征分类方法易于出现局部最优和过拟合的问题,本文提出了基于主成分分析法(Principal Component Analysis,PCA)和改进型支持向量机(Support Vector Machine,SVM)的齿轮裂纹故障诊断方法。该方法的主要特点是通过PCA方法对齿轮箱振动信号的时域和频域特征进行降维,并将降维后的2维特征作为SVM模型的输入。为了提高SVM模型的识别精度,利用粒子群优化算法(Particle Swarm Optimization,PSO)对SVM模型核函数的关键参数进行优化,该方法可以避免初始参数选择的不合理带来的精度问题。结果表明,本文提出的齿轮裂纹故障诊断方法在识别精度和计算效率方面具有优良的综合性能,具有一定的理论价值和实践意义。

摘要：由于具有加工材料的多样性和能加工复杂三维曲面的独特优势,微铣削已经广泛应用于微小型零部件的加工领域然而,较小的刀具尺寸和较高的主轴转速导致微铣刀磨损较快,影响产品质量的一致性。因此,以微铣削振动信号为研究对象,提出了基于变分模态分解(Variational Mode Decomposition,VMD)与改进型BP神经网络(Back Propagation Neural Network,BPNN)的微铣刀磨损监测方法。首先通过VMD对微铣削振动信号进行信号处理和特征提取,并选择VMD分解后的内禀模式函数(Intrinsic Mode Function,IMF)的峭度和偏态作为微铣刀磨损特征。接着利用基于Particle Swarm Optimization(PSO)优化算法的BPNN模型对提取的微铣刀磨损特征进行分类、结果表明,文中提出的微铣刀磨损监测方法能够快速准确地识别微铣刀的5种磨损状态,具有一定的理论价值和实践意义。

摘要：提高智能制造过程中微铣削刀具状态监测的精度和效率,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和BP神经网络-遗传算法(Back-Propagation Neural Networks-Genetic Algorithm,BPNN-GA)的微铣刀磨损预测方法。在此方法中,首先对微铣削振动信号进行EMD分解,提取各个IMF分量的均值、均方根、峭度、偏态作为微铣刀磨损特征。然后通过相关性分析选择与微铣刀磨损特征密切相关的特征,并选择相互之间相关度最小的几个特征作为微铣刀磨损特征,这样既保证了特征对于研究对象的灵敏度,又保证了特征之间的独立性,不会造成信息冗余。最后利用BPNN-GA模型进行特征分类,实现微铣刀磨损的预测。结果表明,本文提出的微铣刀磨损预测方法能够准确识别各种磨损状态,可以为其它刀具状态监测方法提供必要的理论基础和实践意义。

摘要：齿轮裂纹是机械传动机构容易出现的故障之一,严重的裂纹直接影响齿轮的使用寿命及整个传动系统的安全。基于变分模态分解(Variational Mode Decomposition,VMD)和改进的BP神经网络模型(BPNN),本文提出了一种齿轮裂纹故障诊断方法。首先对齿轮箱振动信号进行VMD分解,得到内禀模式函数(Intrinsic Mode Function,IMF);然后计算各个IMF的均方根和峭度,并选择与齿轮裂纹长度密切相关的IMF的峭度和均方根作为故障特征;最后通过基于遗传算法(Genetic Algorithm,GA)的BPNN模型对得到的齿轮裂纹故障特征进行分类。结果表明,这里提出的故障诊断方法能够准确识别无裂纹、1/4裂纹、1/2裂纹和3/4裂纹的齿轮,在识别精度和计算效率方面具有优异的综合性能。

摘要：目的:探究非正交面齿轮与直齿圆柱齿轮组成的齿轮副在啮合传动过程中动力学特性,为基于面齿轮的传动装置提供动力学仿真分析参考。方法:首先根据啮合原理,利用包络法推导非正交面齿轮齿面的曲面族,再通过VS编写相应的计算程序,计算得到非正交面齿轮齿面上的有限个坐标点,然后使用catia曲面设计程序,得到非正交面齿轮模型,最后将非正交面齿轮与配对圆柱齿轮进行正确装配,使用动力学分析软件Adams进行啮合仿真分析。结果:通过对比分析表明,动力学仿真分析下的非正交面齿轮输出转速、法向载荷、圆周力、径向力和轴向力与理论计算基本一致。结论:验证了非正交面齿轮在啮合传动过程中有轴向力的产生,面齿轮传动具有周期性啮入啮出的特性。