安徽转子故障机理研究模拟实验台

PT500MiNi振动力学实验台、激振和传感器、数据采集卡及其采集和分析软件等于一体的教学用振动力学实验系统。该产品紧扣高校力学教学实验大纲，教学内容覆盖面广，实验装置组成简单明晰。特别适用于各类高校力学实验室等教学力学实验场合。特点：●高精度动态信号采集器。●4个通道IEPE传感器接入同步采集，1个通道宽电压信号接入，电压幅值可达100Vp-p，每通道集成宽带滤波器，在奈奎斯特时提供完全的衰减。●采集器由外部USB供电并传输数据，是实验室测量，工业测量，便携式测量的良好选择。4通道IEPE/V，同步采集汉吉龙测控故障机理研究模拟实验台的技术不断更新。安徽转子故障机理研究模拟实验台

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，江苏平行轴齿轮箱故障机理研究模拟实验台故障机理研究模拟实验台在研究中发挥着关键作用。

采集器模拟信号调理电路采用模块化设计，出厂前通道模块可配置，可扩展，其中前8通道兼容IEPE、4-20mA、电压采集，后4通道出厂前可配置4-20mA、电压、PT100/PT1000采集。●外部18～36V宽范围电压供电，可适用于大部分工业用电场合。●支持IEPE模式、电压、电流模式输入，包括使用4mA电流源耦合以及直流耦合。●每通道25600Hz、12800Hz、6400Hz、3200Hz、1600Hz（可选）的采样率。●每通道10Vpp的输入范围。●IEPE模式每通道0.1Hz的高通滤波器，10KHz的低通滤波器。模块化设计，前8通道兼容IEPE

VALENIAN智能诊断平台的智能诊断对故障信息进行精细诊断，的诊断方法，是精细诊断的有效手段：●图谱：趋势图、波形图、频谱图、棒图、数字表、仪表盘、图片、模型、视频、表格、报警日历、状态统计●时域分析：重采样、IIR数字滤波、FIR数字滤波、一次积分、二次积分、一次微分、二次微分、相关分析、协方差分析、虚拟计算●幅值域分析：统计分析、幅值分析、雨流分析●频域分析：频谱分析、自功率谱、自功率谱密度、互功率谱密度、倒谱分析、频域积分●阶次分析：整周期采样、阶次谱、轴心轨迹、振动列表、极坐标、伯德图、轴心位置图、级联图、瀑布图●包络分析：包络波形、包络谱●声学分析：声压分析、声强分析、声功率分析●模态分析：时域ODS、频域ODS●工程应用：应变花计算、扭矩分析、轴功率分析、扭振分析、索力计算、小波分析故障机理研究模拟实验台是研究故障的重要手段。

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。故障机理研究模拟实验台的实验环境需要严格把控。便携式故障机理研究模拟实验台贴牌

滑动轴承油膜故障机理研究模拟实验台。安徽转子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。安徽转子故障机理研究模拟实验台