河南转子轴承故障机理研究模拟实验台

GearboxDynamicsSimulator（齿轮箱实验台）nejvyššímodelpronáhleddovysokootáčkovérotorovédynamiky（用于训练高速转子动力学的**模型）振動診断シミュレーター（振动诊断模拟器）回転機シミュレータ（旋转模拟器）シャフト旋回実験装置（轴转动实验装置）振動発生型メンテナンス実習装置機械・設備の故障解析から設備診断臨界速度測定実験装置gearfaulttestplatform（齿轮箱实验台）AnIdealSimulatorForGearboxReliabilityStudies（齿轮箱可靠性试验台）ModifiedMachineryFaultSimulator（改进升级的机械故障模拟器）故障机理研究模拟实验台是深入研究故障与工业 4.0 关系的基础。河南转子轴承故障机理研究模拟实验台

航空发动机双转子系统叶片-机匣碰摩故障模拟，Faultsimulationofblade-casingrubbingfordual-rotorsystemofaero-engines叶片-机匣碰摩严重影响航空发动机的性能、可靠性及安全性。考虑叶片-机匣碰摩、轴承非线性、联轴器不对中及高低压转子不平衡，利用有限元法建立双转子系统的非线性动力学模型；然后利用模态综合法缩减系统自由度，数值求解降阶模型的非线性振动响应，分析叶片-机匣碰摩故障响应特征。数值与实验结果表明：航空发动机双转子系统为多激励非线性系统，系统振动响应频率成分复杂，包括高低压转轴频率、多倍频、组合频率及其他复杂频率；当叶尖间隙较大时，叶片-机匣碰摩可能为局部碰摩，故障特征频率为叶片通过频率及其倍频，并在叶片通过频率两侧存在高低压转轴频率的调制边频带；当叶尖间隙较小时，叶片-机匣碰摩可能发生全周碰摩，呈现出由干摩擦引起的强烈自激振动。研究结果可为航空发动机双转子系统的叶片-机匣碰摩故障诊断及叶尖间隙设计提供一定参考。北京便携式故障机理研究模拟实验台故障机理研究模拟实验台的研发过程充满挑战。

PT580水泵测试台可以对离心泵的各种故障进行振动采集诊断（例如：气蚀现象、叶轮裂纹、叶轮磨损、叶轮不平衡等故障），包括可以模拟各种故障轴承元件，对故障信号进行检测处理判断故障类型。是在一片多晶硅上通过微机械加工出加速度敏感原件，它由转换，测量，放大电路组成属于集成传感器，可远程、动态、实时、连续、采集设备的三轴振动和温度数据，通过运算能力直接运算12种振动相关特征值，并使用有线或者无线等各类通讯方式，将特征值和原始信号传输到上层系统做分析处理，为各行业客户提供低成本、智能化的在线设备健康监测方案。

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）GearboxDynamicsSimulator（齿轮箱实验台）故障机理研究模拟实验台的研发是一项艰巨的任务。

：为了解决变分模态分解的参数选取问题并更准确的提取轴承故障特征信息，提出了一种多目标优化变分模态分解（VMD）的轴承故障诊断方法。建立了以信息熵、相关系数和峭度的目标函数以及综合评价指标，将VMD的参数优化问题转换成多目标优化的帕累托（Pareto）问题。首先，利用多目标粒子群优化算法（MOPSO）对三个目标函数进行寻优，得到VMD参数组合的比较好Pareto解集；其次，对Pareto解集用综合评价指标对其进行评价，确定出VMD的比较好参数组合；利用已确定的比较好参数组合对轴承故障信号进行VMD分解，得到若干本征模态分量（IMFs）；再利用综合评价指标选择出比较好IMF，提取故障特征。仿真信号和实际轴承振动信号分析结果表明所提方法的有效性。关键词：变分模态分解；故障诊断；信息熵；峭度；多目标粒子群优化算法故障机理研究模拟实验台的发展前景广阔。机械故障机理研究模拟实验台厂家

故障机理研究模拟实验台是科学探索的重要工具。河南转子轴承故障机理研究模拟实验台

RFT1000柔性转子测试台主要由，底座，驱动电机、联轴器、光电传感器支架、两跨支撑滑动轴承、转子盘、摩擦支架、润滑油杯。对于某一转速下的六种转子故障数据，所提模型辨识精度较高，然而实际情况下旋转机械转子运转的转速并不***，并会受到速度波动的干扰。因此，需要对本章模型在不同工况下转子故障数据的适用性进行验证。通过多通道对旋转机械进行信号采集，能获取较为丰富的机械设备故障信息，有利于旋转机械故障诊断的实施。所提ME-ELM方法以集成学习为基础，利用各通道采集信号的差异性构建集成模型，通过相对多数投票法从决策层融合的角度对多通道故障信息进行融合，相较于单通道ELM模型有较高辨识精度和较好稳定性。对比常用的故障诊断分类模型，ME-ELM仍具有较高辨识精度，并且适用于不同工况故障数据，能够很好适用于多信号采集通道监测的旋转机械故障诊断。河南转子轴承故障机理研究模拟实验台