【摘 要】
：
为了解决带式输送机减速机轴因磨损与腐蚀导致减速机故障的问题,利用激光增材技术对减速机轴进行修复与强化处理,并对减速机轴表面强化层的组织和性能进行分析与研究,结果表明:激光增材技术可完美解决减速机轴磨损与腐蚀难题,相对基材耐磨性提高4.28倍,可有效提高减速机轴表面的综合性能,有效保证减速机的正常运转,经济效益和社会效益显著,可在矿用减速机检修领域推广应用.
【机 构】
：
郑州大学材料科学与工程学院,郑州450001;河南省煤科院耐磨技术有限公司,郑州450001;郑州大学材料科学与工程学院,郑州450001;河南省煤科院耐磨技术有限公司,郑州450001
论文部分内容阅读
为了解决带式输送机减速机轴因磨损与腐蚀导致减速机故障的问题,利用激光增材技术对减速机轴进行修复与强化处理,并对减速机轴表面强化层的组织和性能进行分析与研究,结果表明:激光增材技术可完美解决减速机轴磨损与腐蚀难题,相对基材耐磨性提高4.28倍,可有效提高减速机轴表面的综合性能,有效保证减速机的正常运转,经济效益和社会效益显著,可在矿用减速机检修领域推广应用.
其他文献
通过对国内众多煤矿海量矿压实测数据、工作面地质条件和支架参数进行归纳和整理,设计开发了支架选型系统.构建了一套可扩展的支架选型数据库,开发了支护强度匹配、支架适应性评价及工作阻力计算功能.该系统能够通过输入多种参数快速匹配支架支护强度记录,再通过适应性评价最优结果来计算支架工作阻力.将该系统应用于支架选型实践,验证了系统的有效性,为工作面液压支架选型提供了一种高效的大数据工程类比手段.
针对矿用减速器输入轴轴承故障率高的问题,通过损坏原因分析找到了主要原因,制定了解决措施,并在减速器上进行实施,使问题得到有效解决.
针对炮掘工作面常规超前支护笨重、存在支护盲区等问题,对矿井原有炮掘工作面超前支护设备及支护工艺进行了优化,将原来的单片前探梁改造成两片,增加了支护面积;设计了滑道并将前探梁由升降调整为滑移,将间断性支护工艺改成了连续性支护工艺,降低了劳动强度,增强了支护作业的安全性,提高了单进水平.
提出了一种基于改进改进的集合经验模态分解(MEEMD)的单相接地故障选线算法,在对改进MEEMD分解得到的IMF分量进行重构及Hilbert变换的基础上,以计算得到的瞬时相角与能量占比为双判据进行单相接地故障选线,提高了选线的准确性和可靠性.利用实时数字仿真仪(RTDS)对所提选线算法进行了仿真测试,结果表明,该选线算法在各种不同情况下均能正确完成故障选线,并且判据阈值较为宽裕,有较高的可靠性.
为缩减掘进机截割减速器的开发周期以及适应云服务环境下行业内多样化的需求,构建了掘进机截割减速器参数化系统总体架构.设计策划了便利简约的网站页面,利用C#语言调用ANSYS Batch二次开发模块实现了在线三维建模、静态、瞬态及模态分析,简化了模型前处理、后处理等繁琐步骤,使参数化分析效率显著提升.最后,以太阳轮为应用实例,验证了该系统功能完善、运行稳定.
集中控制液压调车系统能实现推车、阻车器打开和关闭、翻车机翻车、变轨等复杂连续动作,与PLC控制、视频监控、泄漏通信信号、声光警示及行程保护相结合,实现了可视化、信息化、智能化操控,解决了车场各种复杂环境调车作业问题,安全高效,操控便捷.
矿用隔爆兼本质安全型变频调速一体机具有体积小、功率大、发热严重的特点,合理的散热设计可以有效控制热源温升,对保证IGBT等电子设备安全运行具有重要意义.基于Icepak散热分析软件,以YJVFT-315S1-4 (55/1140)变频一体机为研究对象,对其风道结构进行仿真分析,结合分析结果进行风道及散热器结构优化.优化后热源温升降低11.5℃,为风冷变频一体机风道设计提供了优化思路.
为进一步完善掘进设备性能工程测试,开发了一套掘进设备综合性能测试系统,设计了掘进机爬坡及运输模块、模拟截割模块、数据采集与测试等模块.通过试验得到了设备振动、温升、噪声等主要性能参数,为掘进设备的工程应用及结构优化提供了重要参考.
旋转机械运行环境恶劣,振动信号易受外界干扰,因此实现振动状态的异常检测较为困难.神经网络技术能够从大量的振动数据中自动提取故障特征,相对于人工提取故障特征,工作量大为减少.结合长短时记忆(LSTM)网络对时间序列数据具有的超强感知与处理能力,提出一种用BP神经网络压缩输入数据维度从而提取故障特征、用LSTM网络进行异常检测的新方法.首先将实验台获取的振动数据划分为相同序列长度的数据样本并划分为不同的数据集,然后将数据样本进行预处理并搭建BP-LSTM网络,将建立的模型用于旋转机械振动信号异常检测.模拟仿真
针对传统故障诊断方法不能有效识别滚动轴承振动信号且难以在振动信号中提取所需特征、预处理步骤过多和难以区分故障类型的问题,提出了一种新型卷积神经网络(CNN)模型.首先对传统CNN的激活函数和池化方式进行改进,然后以卷积长短时记忆(Conv-LSTM)作为卷积层.相比于传统的故障诊断方法,新型CNN模型可直接训练切片后的原始加速度振动信号,并可同时识别和分类出故障类型.SKF6005型轴承实验结果表明,新型CNN模型相对于纯CNN模型具有更好的分类效果和更高的分类准确度.