CN114329806B - 基于bp神经网络的发动机转子螺栓装配质量评估方法 - Google Patents
基于bp神经网络的发动机转子螺栓装配质量评估方法 Download PDFInfo
- Publication number
- CN114329806B CN114329806B CN202111287187.4A CN202111287187A CN114329806B CN 114329806 B CN114329806 B CN 114329806B CN 202111287187 A CN202111287187 A CN 202111287187A CN 114329806 B CN114329806 B CN 114329806B
- Authority
- CN
- China
- Prior art keywords
- deviation
- bolt
- engine rotor
- bolt assembly
- rotor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000001303 quality assessment method Methods 0.000 title abstract description 6
- 238000005452 bending Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000005284 excitation Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 abstract 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Engines (AREA)
Abstract
本发明公开了一种基于BP神经网络的发动机转子螺栓装配质量评估方法。本发明从发动机转子在横向振动和轴向拉力激励下，螺栓装配偏差的振动响应特征差异表征出发，分别考虑频率峰值和振幅特性与螺栓偏差位置关联性，利用BP神经网络建立螺栓偏差方位角的智能识别评价模型。通过评价模型结果获取螺栓偏差识别方位角，并计算产生的截面惯性矩和弯曲刚度变化，得到发动机转子的各阶临界转速。建立以螺栓偏差方位角为变量的目标函数，优化临界转速的分布区间，实现发动机转子螺栓拧紧力矩分配。
Description
技术领域
本发明涉及基于BP神经网络的发动机转子螺栓装配质量评估方法，属于机械装配技术领域。
技术背景
高压转子是发动机最核心部件，其大量连接结构都是通过螺栓配合来实现的，因此螺栓装配质量很大程度上决定了发动机的整体性能。由于螺栓数量众多，在组装过程中极易造成配合偏差，因此确保螺栓连接质量，是发动机确保服役性能的重要保障。因此目前亟需解决并明确螺栓引起的装配偏差与发动机振动性能之间相互影响关系。
西安交通大学提出了一种可拆卸盘鼓型转子装配松动故障定量识别方法，该方法通过对可拆卸盘鼓型转子动态响应信号计算多个等带宽且相互衔接的不同频带的动态响应子信号的相对能量，定义了一种可以尺度化度量松动故障的指标，根据此指标转换为可靠度作为评价指标，定量的评估可拆卸盘鼓型转子装配质量，识别转子装配松动故障。
以上方法存在的问题在于：仅可定量的识别可拆卸盘鼓型转子装配质量，识别转子装配松动故障，对装配松动状态无法做到定位识别，对转子装配指导具有很大的局限性。
发明内容
本发明所要解决的技术问题是：提供一种基于BP神经网络的发动机转子螺栓装配质量评估方法，为发动机转子通过动力学特性来评估螺栓装配偏差，控制装配质量提出一种新方法。
为了实现上述发明目的，本发明基于BP神经网络的发动机转子螺栓装配质量评估方法包括以下步骤：
步骤1，开展横向振动和轴向拉力激励条件下的振动试验，获取外载荷激励下，发动机转子安装边不同位置螺栓偏差工况的振动传感器时域信号，并进行频谱分析，提取指定频域范围内所有频率峰值及其对应幅值。
步骤2，使用主成分分析法(PCA)获取频率峰值及其对应幅值与螺栓装配偏差位置作为目标的相关性，计算各参数的方差贡献百分比。选择相关性强的频率峰值及其对应幅值，与对应螺栓偏差所在方位角共同形成数据集。
步骤3，将数据集中频率值与振动幅值作为输入参数，螺栓偏差位置方位角作为目标参数，利用步骤2中提取的各成分方差贡献百分比作为BP神经网络计算初始权重系数，设置隐含层数与学习函数，建立发动机转子螺栓装配偏差方位角预测模型。
步骤4，通过预测得到螺栓装配偏差方位角，计算螺栓偏差对应的截面惯性矩，获取弯曲刚度偏差量。
步骤5，建立螺栓偏差引起的弯曲刚度偏差下发动机转子动力学运动方程，依据动力学仿真结果，获取螺栓装配偏差下发动机转子的动力学响应，将动力学响应参数作为螺栓装配偏差分布的优化函数。
步骤6，通过调整安装边螺栓拧紧分布，利用振动频率峰值与幅值来预测螺栓装配偏差分布情况，使得螺栓装配偏差下动力学临界转速分布最优。
所述步骤1指定的频率范围为(a,b)，此范围由具体转子结构确定。
所述步骤2中所选择的相关性强的频率峰值及其对应的幅值选择依据为主成分分析法累计方差贡献率大于λ的频率峰值及对应的幅值。
所述步骤3中所述的利用各成分方差贡献百分比作为BP神经网络初始权重系数，计算方法为：
ω′i＝ξi×ωi(i＝1,...,n) (1)
式(1)中，ωi′为经过各成分方差贡献百分比调整后的BP神经网络权重矩阵；ωi为BP神经网络初始权重矩阵；ξi为第i个参数主成分的方差贡献百分比；n为主成分个数。
所述步骤3中在训练发动机转子螺栓装配偏差方位角预测模型时，会随机使用步骤2中数据集θ％以上的数据作为训练集，剩下的作为测试集，测试模型的预测效果。
权利要求5中所述的测试模型的预测效果可通过预测精度评价。预测精度为：
式(2)中，yi为实际螺栓偏差位置方位角，yi′模型预测预测螺栓偏差位置方位角。
步骤4所述的螺栓偏差对应的截面惯性矩及弯曲刚度偏差量计算步骤为：
(1)将螺栓偏差等效为裂纹截面。确定等效裂纹截面形心位置：
式(3)中，R为外圆半径，r为内圆半径，α为螺栓偏差方位角，β为等效裂纹对应的半圆心角。
(2)完整圆环形心位置为O(0,0)，即当产生等效裂纹时，形心位置发生偏移，沿坐标轴两个方向的偏心距分别为：
(3)确定等效裂纹截面面积：
(4)计算等效裂纹截面对x轴、y轴的截面惯性矩：
式(6)中，S为等效裂纹与原点所围成三角形的面积。
(5)计算弯曲刚度偏差量：
式(7)中，E为材料的弹性模量。
步骤5所述的转子动力学方程为：
式(8)中，[M1]为转子的质量矩阵，[C]为转子的阻尼矩阵，Ω[J1]为转子的回转矩阵，[K1]为转子的刚度矩阵。
当发生螺栓装配偏差时，[M1]与Ω[J1]变化忽略不计，主要影响为[K1]的变化。存在有螺栓装配偏差节点的刚度变化为[K2]。
螺栓装配偏差下发动机转子结构动力学方程中的刚度矩阵变为[K3]＝[K2]+[K1]。通过上式可得到螺栓装配偏差下结构的临界转速。
步骤6所述，通过调整安装边螺栓拧紧分布，使得动力学临界转速分布最优。当螺栓装配偏差下结构的临界转速超出设定的阈值范围(p,q)，则认为螺栓装配偏差超标，需进行对偏差位置螺栓进行重新装配，直到螺栓装配偏差下结构的临界转速符合设定的阈值范围。
有益效果：本发明由于采用了上述技术方案，具有以下优点：
本发明提出的基于外载荷激励下动力学响应最优化的大型旋转装备多级结构螺栓连接装配评估方法考虑发动机实际结构特点，以螺栓装配偏差为控制变量，考虑转子各级结构间螺栓连接面的抗弯刚度的影响，通过振动响应预测螺栓装配偏差，进而求解系统动力学方程得到动力学响应，使多级转子装配后动力学临界转速分布最优。
本发明的算法样本数量需求低，计算精度傲，预测效果好，结果稳定，可解释性强，可有效提高发动机零部件装配效率和装配精度。
附图说明
图1为本发明的流程图。
图2为本发明实施例的某航空发动机装配偏差振动传感器频域信号图。
图3为本发明实施例的某航空发动机装配偏差一阶临界转速变化图。
图4为本发明实施例的某航空发动机装配偏差预测效果图。
具体实施方式
图1是本发明的具体流程图。为了使本发明的目的、特征与实现更加明白易懂，下面将对实施例或现有技术描述中的附图做简单介绍。应当理解，此处描述的具体实施例仅用于解释本发明，并不用于限定本发明。实施例具体包括以下步骤：
步骤1，开展横向振动和轴向拉力激励条件下的振动试验，获取外载荷激励下，发动机转子安装边不同位置螺栓偏差工况的振动传感器时域信号，并进行频谱分析，提取指定频域范围内所有频率峰值及其对应幅值。
步骤2，使用主成分分析法(PCA)获取频率峰值及其对应幅值与螺栓装配偏差位置作为目标的相关性，计算各参数的方差贡献百分比。选择相关性强的频率峰值和振动幅值，与对应螺栓偏差位置方位角共同形成数据集。
步骤3，将数据集中频率值与振动幅值作为输入参数，螺栓偏差位置方位角作为目标参数，利用步骤2中提取的各成分方差贡献百分比作为BP神经网络计算初始权重系数，设置隐含层数与学习函数，建立发动机转子螺栓装配偏差方位角预测模型。
步骤4，通过预测得到螺栓装配偏差方位角，计算螺栓偏差对应的截面惯性矩，获取弯曲刚度偏差量。
步骤5，建立螺栓偏差引起的弯曲刚度偏差下发动机转子动力学运动方程，依据动力学仿真结果，获取螺栓装配偏差下发动机转子的动力学响应，将动力学响应参数作为螺栓装配偏差分布的优化函数。
步骤6，通过调整安装边螺栓拧紧分布，利用振动频率峰值与幅值来预测螺栓装配偏差分布情况，使得发动机转子临界转速分布最优。
所述步骤1指定的频率范围为(350,2500)(Hz)。
所述步骤2中所选择的相关性强的频率峰值及其对应的幅值选择依据为主成分分析法累计方差贡献率大于90％的频率峰值及对应的幅值。
所述步骤2的数据集共24份。
经过PCA分析，提取的主成分个数为4(两个频率值及其对应的幅值)。
所述步骤3中所述的利用各成分方差贡献百分比作为BP神经网络初始权重系数，计算方法为：
ω′i＝ξi×ωi(i＝1,...,n) (1)
式(1)中，ωi′为经过各成分方差贡献百分比调整后的BP神经网络权重矩阵；ωi为BP神经网络初始权重矩阵；ξi为第i个参数主成分的方差贡献百分比；n为主成分个数。
所述步骤3中在训练发动机转子螺栓装配偏差方位角预测模型时，会随机使用步骤2中数据集70％以上的数据作为训练集，剩下的作为测试集，测试模型的预测效果。
权利要求5中所述的测试模型的预测效果可通过预测精度评价。预测精度为：
式(2)中，yi为实际螺栓偏差位置方位角，yi′模型预测预测螺栓偏差位置方位角。
步骤4所述的螺栓偏差对应的截面惯性矩及弯曲刚度偏差量计算步骤为：
(1)将螺栓偏差等效为裂纹截面。确定等效裂纹截面形心位置：
式(3)中，R为外圆半径，r为内圆半径，α为螺栓偏差方位角，β为等效裂纹对应的半圆心角。
(2)完整圆环形心位置为O(0,0)，即当产生等效裂纹时，形心位置发生偏移，沿坐标轴两个方向的偏心距分别为：
(3)确定等效裂纹截面面积：
(4)计算等效裂纹截面对x轴、y轴的截面惯性矩：
式(6)中，S为等效裂纹与原点所围成三角形的面积。
(5)计算弯曲刚度偏差量：
式(7)中，E为材料的弹性模量。
步骤5所述的转子动力学方程为：
式(8)中，[M1]为转子的质量矩阵，[C]为转子的阻尼矩阵，Ω[J1]为转子的回转矩阵，[K1]为转子的刚度矩阵。
当发生螺栓装配偏差时，[M1]与Ω[J1]变化忽略不计，主要影响为[K1]的变化。存在有螺栓装配偏差节点的刚度变化为[K2]。
螺栓装配偏差下多级鼓筒式结构动力学方程中的刚度矩阵变为[K3]＝[K2]+[K1]。通过上式可得到螺栓装配偏差下结构的临界转速。
步骤6所述，通过调整安装边螺栓拧紧分布，使得动力学临界转速分布最优。当螺栓装配偏差下结构的临界转速超出完整螺栓装配下临界转速5％，则认为螺栓装配偏差超标，需进行对偏差位置螺栓进行重新装配，直到螺栓装配偏差下结构的临界转速符合设定的阈值范围。
以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化而得到相对应的等同技术方案，因此所有等同的技术方案均应该归入本发明专利的保护范围。
Claims (8)
1.基于BP神经网络的发动机转子螺栓装配质量评估方法，其特征在于，包括以下步骤：
步骤1，开展横向振动和轴向拉力激励条件下的振动试验，获取外载荷激励下，发动机转子安装边不同位置螺栓偏差工况的振动传感器时域信号，并进行频谱分析，提取指定频域范围内所有频率峰值及其对应幅值；
步骤2，使用主成分分析法(PCA)获取频率峰值及其对应幅值与螺栓装配偏差位置作为目标的相关性，计算各参数的方差贡献百分比；选择相关性强的频率峰值和振动幅值，与对应螺栓偏差位置方位角共同形成数据集；
步骤3，将数据集中频率值与振动幅值作为输入参数，螺栓偏差位置方位角作为目标参数，利用步骤2中提取的各成分方差贡献百分比作为BP神经网络计算初始权重系数，设置隐含层数与学习函数，建立发动机转子螺栓装配偏差方位角预测模型；
步骤4，通过预测得到螺栓装配偏差方位角，计算螺栓偏差对应的截面惯性矩，获取弯曲刚度偏差量；
步骤5，建立螺栓偏差引起的弯曲刚度偏差下发动机转子动力学运动方程，依据动力学仿真结果，获取螺栓装配偏差下发动机转子的动力学响应，将动力学响应参数作为螺栓装配偏差分布的优化函数；
步骤6，通过调整安装边螺栓拧紧分布，利用振动频率峰值与幅值来预测螺栓装配偏差分布情况，使得发动机转子临界转速分布最优；
其中，步骤4所述的螺栓偏差对应的截面惯性矩及弯曲刚度偏差量计算步骤为：
螺栓偏差对应的截面惯性矩及弯曲刚度偏差量计算步骤为：
(1)将螺栓偏差等效为裂纹截面；确定等效裂纹截面形心位置：
式中，R为外圆半径，r为内圆半径，α为螺栓偏差方位角，β为等效裂纹对应的半圆心角；
(2)完整圆环形心位置为O(0,0)，即当产生等效裂纹时，形心位置发生偏移，沿x轴、y轴两个方向的和偏心距ex和ey分别为：
ex＝x0，ey＝y0
(3)确定等效裂纹截面面积：
(4)计算等效裂纹截面对x轴、y轴的截面惯性矩：
式中，S为等效裂纹与原点所围成三角形的面积；
(5)计算弯曲刚度偏差量：
kxx＝EIx，kyy＝EIy
式中，E为材料的弹性模量。
2.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，所述步骤1指定的频率范围为(a,b)，此范围由具体转子结构确定。
3.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，所述步骤2中所选择的相关性强的频率峰值及其对应的幅值选择依据为主成分分析法累计方差贡献率大于λ的频率峰值及对应的幅值。
4.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，所述步骤3中所述的利用各成分方差贡献百分比作为BP神经网络初始权重系数，计算方法为：
ωi′＝ξi×ωi(i＝1,...,n)
式中，ωi′为经过各成分方差贡献百分比调整后的BP神经网络权重矩阵；ωi为BP神经网络初始权重矩阵；ξi为第i个参数主成分的方差贡献百分比；n为主成分个数。
5.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，所述步骤3中在训练发动机转子螺栓装配偏差方位角预测模型时，会随机使用步骤2中数据集θ％以上的数据作为训练集，剩下的作为测试集，测试模型的预测效果。
6.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，权利要求5中所述的测试模型的预测效果可通过预测精度评价；预测精度为：
式中，yi为实际螺栓偏差位置方位角，y′i模型预测预测螺栓偏差位置方位角。
7.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，步骤5所述的转子动力学方程为：
式中，[M1]为转子的质量矩阵，Ω[J1]为转子的回转矩阵，[K1]为转子的刚度矩阵；当发生螺栓装配偏差时，[M1]与Ω[J1]变化忽略不计，主要影响为[K1]的变化；存在有螺栓装配偏差节点的刚度变化为[K2]；
因此，螺栓装配偏差下多级鼓筒式结构动力学方程中的刚度矩阵变为[K3]＝[K2]+[K1]；通过上式可得到螺栓装配偏差下结构的临界转速。
8.根据权利要求1所述发动机转子螺栓装配质量评估方法，其特征在于，步骤6所述，通过调整安装边螺栓拧紧分布，使得发动机转子临界转速分布最优；当螺栓装配偏差下结构的临界转速超出设定的阈值范围(p,q)，则认为螺栓装配偏差超标，需进行对偏差位置螺栓进行重新装配，直到螺栓装配偏差下结构的临界转速符合设定的阈值范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287187.4A CN114329806B (zh) | 2021-11-02 | 2021-11-02 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287187.4A CN114329806B (zh) | 2021-11-02 | 2021-11-02 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114329806A CN114329806A (zh) | 2022-04-12 |
| CN114329806B true CN114329806B (zh) | 2024-03-08 |
Family
ID=81044882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111287187.4A Active CN114329806B (zh) | 2021-11-02 | 2021-11-02 | 基于bp神经网络的发动机转子螺栓装配质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114329806B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782778B (zh) * | 2022-04-25 | 2023-01-06 | 广东工业大学 | 一种基于机器视觉技术的装配状态监控方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111413031A (zh) * | 2019-01-07 | 2020-07-14 | 哈尔滨工业大学 | 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 |
| CN113190786A (zh) * | 2021-05-13 | 2021-07-30 | 岳聪 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111413030B (zh) * | 2019-01-07 | 2021-10-29 | 哈尔滨工业大学 | 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 |
-
2021
- 2021-11-02 CN CN202111287187.4A patent/CN114329806B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111413031A (zh) * | 2019-01-07 | 2020-07-14 | 哈尔滨工业大学 | 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 |
| CN113190786A (zh) * | 2021-05-13 | 2021-07-30 | 岳聪 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱长春,张景会.基于LM方法的神经网络用于线性时不变系统的广义状态转移矩阵的识别.土木工程学报.2000,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114329806A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
| CN114329806B (zh) | 基于bp神经网络的发动机转子螺栓装配质量评估方法 | |
| CN108334704B (zh) | 基于自适应密度峰值-混合概率建模的结构损伤监测方法 | |
| CN111444953A (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
| CN109030014B (zh) | 车辆加速时对车内噪声主观评分的预测方法 | |
| CN110245443A (zh) | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 | |
| CN108038315A (zh) | 一种基于谱随机有限元模型的随机动载荷识别方法 | |
| CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
| CN107454925A (zh) | 用于确定风能设备的剩余使用寿命的方法 | |
| CN115169218A (zh) | 基于深度置信网络的齿轮振动噪声预估方法 | |
| CN113190786B (zh) | 一种大型旋转装备利用多维装配参数的振动预测方法 | |
| CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
| García-Fernández et al. | A review on fatigue monitoring of structures | |
| CN111310273B (zh) | 一种基于多源数据的全桥结构安全状态监测方法及系统 | |
| CN114528743B (zh) | 宽转速范围内转子叶片的动应力监测限制值计算方法 | |
| CN116383661A (zh) | 离心泵故障诊断模型训练方法、故障诊断方法及装置 | |
| CN116028791A (zh) | 一种基于超声导波和卷积神经网络的钢绞线应力识别方法 | |
| CN115169241A (zh) | 一种数据-模型互驱动的TiAl合金疲劳寿命预测方法 | |
| CN109241147B (zh) | 一种用于评估统计值变异性的方法 | |
| CN107203677B (zh) | 一种电子系统多退化进程研究方法 | |
| CN114547942B (zh) | 基于cas分析和神经网络的轴系状态监测及评估方法 | |
| CN114925452B (zh) | 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 | |
| CN117990043B (zh) | 一种船舶轴系支撑结构的监测方法及系统 | |
| Zhao et al. | Anti‐Defect Design for Mechanical Elements under Severe Condition Based on a Half‐Real Defect Model | |
| CN112560300A (zh) | 一种基于lstm的转子系统支承刚度与阻尼的识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |