【摘 要】
：
通过两种油膜力模型在200mw汽轮机低压转子上的应用,较好地模拟出了系统升降速过程的非线性动力学行为特性,尤其是给出了油膜振荡产生、发展及消失的动力学特征.根据本文提出的动态油膜涡动频率控制方程,结合两种油膜力模型计算结果的对比分析,合理地解释了油膜振荡现象的流固耦合作用机理,为有效地抑制油膜失稳现象发生提供了理论依据.
【机 构】
：
中国科学院 工程热物理研究所 北京 100910 哈尔滨工业大学能源科学与工程学院 哈尔滨 150
论文部分内容阅读
通过两种油膜力模型在200mw汽轮机低压转子上的应用,较好地模拟出了系统升降速过程的非线性动力学行为特性,尤其是给出了油膜振荡产生、发展及消失的动力学特征.根据本文提出的动态油膜涡动频率控制方程,结合两种油膜力模型计算结果的对比分析,合理地解释了油膜振荡现象的流固耦合作用机理,为有效地抑制油膜失稳现象发生提供了理论依据.
其他文献
针对轴承流固耦合作用产生轴颈涡动现象的机理,进一步探讨了油膜涡动及半速涡动的行为特征.并且给出了油膜涡动速度变化对油膜压力分布影响的3个典型区域特征和油膜力半速涡动状态下的振动特性。结合轴承流固耦合运动的载荷平衡方程及涡动频率方程的结构形式,进一步了探讨轴颈半速涡动的性质,以及轴承液固耦合涡动力学行为的非线性特征.同时结合滑动轴承油膜流固耦合作用机理及典型故障实例,分析了油膜涡动与转子临界固有频率
感应式电机的故障,如转子断条等,往往导致内部磁场不平衡,并在定子电流上有所反映.通过估计定子电流的谱特征,特别是供电频率的边频带,有望检测上述故障.但是,定子电流中50Hz工频分量的幅值往往远大于边频分量。因此,如何在严重的工频背景下移除工频分量,检出故障特征分量,便成为电机电流特征分析的关键问题之一.为此,给出一种求解该类问题的新算法,通过同步参考坐标,将三相电流变换为磁化电流和扭矩电流,变换后
迷宫密封入口预旋是影响迷宫密封动力学特性的重要原因之一.本文在Muszynska模型的基础上,将密封入口预旋以及转子在高速旋转时对气流的摩擦带动作用分离开来,并将之与CFD分析结合起来,给出了迷宫密封非线性动力学特性系数的确定方法,分析了迷宫入口预旋对迷宫密封动力学特性的影响.结果显示通过该方法获得的经验系数能够较好的描述迷宫密封非线性激振力.
根据Burgdorfer一阶滑移速度边界条件,给出了微气体径向轴承修正的润滑Reynolds方程.采用有限差分法对Reynolds方程求解,从润滑气体稀薄效应的角度对微气体径向轴承稳态性能进行分析.研究表明,随参考努森数Kn0的增大,气体径向轴承的压力明显降低,无量纲承载力降低,而轴承偏位角增大.当偏心率小于0.6时,轴承偏位角变化平缓,受Kn0数的影响不明显.
受当前微加工工艺的限制,MEMS微型旋转机械中常用的气体轴承具有长径比小、气隙大等特点.针对该特点,对微型动压气体径向短轴承-转子系统的动力学特性进行分析.计算结果表明,该系统具有丰富的非线性特性;在初始偏心率较小的条件下,系统响应出现低频涡动,且涡动频率和幅值随着转速的增高而增大;当初始偏心率较大时,系统响应出现半频涡动.
旋转机械的故障中存在大量的非平稳动态信号,其统计特性与时间有关,对非平稳信号的处理需进行时频分析,希望得到时域和频域中非平稳信号的全貌和局部化结果.EMD分解方法具有自适应性,,通过Hil2bert变换得到的瞬时频率具有清晰的物理意义,能够表达信号的局部特征.因此本文利用EMD方法诊断质量慢变转子系统的碰摩故障和碰摩耦合故障,收到了比较好的效果.
提出一种迷宫流场计算的气体力与转子动力学流固准耦合的分析方法。通过流场分析建立关于气流激振力的数据库,计算时通过查表的方式获得不同的位移扰动和速度扰动下的气流激振力,然后将气流力通过位置矩阵耦合到转子轴承系统.最后应用此方法分析由滑动轴承支承的多圆盘转子的动力特性。
轴承是旋转机械核心部件之一.箔片轴承与传统刚性表面轴承相比,具有转速高、稳定性好及长寿命等突出优点.油粘度比气体高,采用油润滑有利于改善多叶箔片轴承承载能力.本文设计出油润滑多叶箔片轴承实验台,并达到90,000转/分的运行转速.该实验台可进行不同厚度箔片轴承特性试验研究.
转子轴产生裂纹后,转子轴的刚度和动力特性都会发生很大的变化.直裂纹和45度斜裂纹是比较普遍存在的两种裂纹.相同载荷作用下,由于两种裂纹在转子轴裂纹面产生的应力强度因子并不相同,由此导致了转子刚度和动力特性的不同.本文分析了在扭矩作用下,两种裂纹轴产生的横向响应随转速的变化,给出了区分转轴上直裂纹和斜裂纹的特征频率。
随机森林(Random Forests Algorithm,RFA)是一种包含多个分类树的组合分类器,其特点是在形成分类器的过程中能够对特征参量的重要性进行评估.论文将随机森林算法应用于某型坦克变速箱振动信号的特征选择中,采用了3类36个60维的特征样本集,选择产生了5个重要特征参量,采用k-近邻法对降维后的特征样本集进行分类,状态识别正确率最高达100％.