山东故障机理研究模拟实验台设备

提出一种往复式压缩机示功图处理方法以及基于卷积神经网络机器学习的智能往复式压缩机故障诊断流程。使用等参元归一化方式处理示功图，处理后的样本经卷积神经网络分类识别，可实现往复式压缩机自学习、智能故障诊断。使用等参元归一化方法，可无需考虑工艺变化、环境改变等造成示功图图形改变的因素，这样示功图的处理方式有助于后续的神经网络智能识别拥有更高的准确率、更强普适性。经模拟和实测数据验证齿轮箱柔性轴系故障植入综合试..核电卧式转子振动特性试验平台电机对拖齿轮箱故障植入试验平台微型轴承及动平衡试验平台轧银振动特性试验平台轨道轴承振动及疲劳磨损试验平台核电立式轴承振动特性试验扭转振动试验平台平行齿轮箱疲劳磨损试验平台水泵故障植入试平台齿轮箱传动特性试验平台高速柔性转子振动试验平台行星齿轮箱疲劳磨损试验平台轴承疲劳磨损试验平台单级便携式行星齿轮箱故障植入实验台，故障机理研究模拟实验台是研究故障与材料性能关系的重要工具。山东故障机理研究模拟实验台设备

对试验台主要零部件进行模态分析,结果显示各部件固有频率远离航空发动机各阶临界转速,说明了试验台初步设计的合理性;为提高鼠笼弹性支承刚度设计的精确性,提出了有效集算法和遗传算法相结合的优化方法,优化后,2#和3#支点鼠笼弹支的设计刚度与目标值之间的误差分别为0.3%和0.1%,验证了该方法的高精度和高效率。然后,建立双转子系统动力学简化模型,运用有限单元法推导系统动力学方程,编写程序计算了高低压转子分别为主激励时系统临界转速,结果表明计算值与航空发动机实测值的误差远超过了允许误差5%,需后续优化。接着,运用变换哈墨斯利算法优化系统的临界转速,对比优化值与航空发动机实测值的误差,其误差不超过允许误差5%,低压转子结构参数符合设计要求,证明了优化方法的可行性。广西VALENIAN故障机理研究模拟实验台增速齿轮箱故障机理研究模拟实验台。

MachineVibrationAnalysisTrainer（机器振动分析训练器）ExtendedVibrationAnalysisTrainingSystem（拓展振动分析培训系统）MachineVibrationAnalysisMulti-ModeTrainer（机械振动分析多模式训练器）AdvancedVibrationAnalysisTrainingSystemPlus（高级振动分析培训系统）PredictiveMaintenanceVibrationAnalysisTrainingSystem（预测性维护振动分析培训系统）BalancingandBearingFaultSimulator（动平衡与轴承故障模拟器）ShaftAlignmentTrainer（轴对中训练台）RotatingmachinerytrainingSimulator（旋转机械模拟器）Highendmodelfortraininghighspeedrotordynamics（用于训练高速转子动力学的**模型）

瓦伦尼安实验台主要用于高速旋转轴系的转子动力学验证研究，配合多通道振动数据采集器，上位机软件，电涡流传感器，振动加速度传感器，激光转速计，冷却水循环系统使用。，多通道信号能够更加***地表征旋转机械的运行状态，因此融合多传感器信号采集通道的诊断方法相较于单通道方法更能准确判断机械故障。针对利用单信号采集通道实施故障辨识方法的识别精度较低问题，提出一种融合多通道信息的集成极限学习机模式辨识方法应用于旋转机械故障诊断。首先通过布置在机械设备关键部位的多个信号采集通道获取振动信号，并对各通道信号分别提取相同特征，构建与通道相对应的特征集；其次将各特征集划分为训练、测试集并分别构建及测试极限学习机，实现信号采集通道与分类模型的一一对应；***采用相对多数投票法对各极限学习机的输出进行整合得到集成模型，从决策层角度实现多通道的信息融合，并输出机械设备故障诊断结果。实验结果表明，该方法相较于利用单通道信号的极限学习机具有较好稳定性及较高辨识精度。关键词：故障诊断；多通道；集成学习；极限学习机；故障机理研究模拟实验台的研究具有重要的学术价值。

VALENIAN测试台是一种双转子实验台结构,此台架主要由动力电机、内转轴、外转轴(空心)、支承、轮盘、皮带、皮带轮、底座等构成。其主要特点是:内外2个转子通过中介轴承耦合在一起,分别由不同的电机驱动;4个轮盘分别用来模拟低压压气机、高压压气机、高压涡轮、低压涡轮的质量。采用直接传递矩阵法计算了实验台架的**阶临界转速,分析了支承刚度、转速比、轮盘的极转动惯量、长径比等因素对台架临界转速的影响,并据此对实验台架作了优化。优化临界转速后可以有效地减小运行时的振动,显示优化是有效的。转子轴承故障机理研究模拟实验台。广东VALENIAN故障机理研究模拟实验台

故障机理研究模拟实验台是故障机理探索的利器。山东故障机理研究模拟实验台设备

针对滚动轴承故障类型和损伤程度难以识别的问题，提出一种基于变分模态分解（VariationalModeDecomposition,VMD）和Gath-Geva（GG）模糊聚类相结合的滚动轴承故障分类方法。该方法通过对已知滚动轴承故障信号进行VMD分解，利用分量频率中心的大小确定分解模态的数量，将所得本征模态分量组成初始特征矩阵进行奇异值分解；选取3个比较大奇异值作为GG聚类算法的输入，得到已知故障信号的隶属度矩阵和聚类中心；通过待测信号初始隶属度矩阵与已知故障信号聚类中心之间的海明贴近度识别滚动轴承的故障类型和损伤程度。通过滚动轴承振动数据对所述方法的有效性进行验证，瓦伦尼安教学设备桌面式齿轮故障教学平台便携式转子轴承教学实验台桌面式转子轴承故障教学平台转子动力学研究实验台故障机理研究教学平台转子轴承综合故障模拟实验台诊断台转子轴承教学平台山东故障机理研究模拟实验台设备