沖擊識別與分解對柴油機狀態特征提取具有重要價值。現有常用方法利用沖擊頻域特性，通過頻域分解與重構識別并分解沖擊，在分解復雜多沖擊非平穩信號存在頻段混疊、時域沖擊重合等問題。本研究提出了一種變分時頻聯合分解（VTFJD）方法，目的在于提取多源沖擊振動信號中沖擊成分。首先采用改進變分模態分解（VMD）方法對多沖擊振動信號進行頻域分解，得到各分解模態信號；其次，提出了變分時域分解方法（VTD），用于提取各分解模態信號中的沖擊成分；***，對時頻聯合分解信號進行篩選，獲得振動波形中多源沖擊成分時頻域信息。同時，針對VMD和VTD中參數選擇問題，分別提出了參數優化選擇方案。仿真信號和實際柴油機連桿軸瓦振動信號特征提取結果表明，VTFJD具有出色的多沖擊信號自適應時頻分解能力，具有沖擊自動識別與分解提取能力。關鍵詞：信號分解；振動與沖擊；柴油機；連桿軸瓦磨損故障故障機理研究模擬實驗臺的技術不斷更新。設備故障機理研究模擬實驗臺廠家

：為了解決變分模態分解的參數選取問題并更準確的提取軸承故障特征信息，提出了一種多目標優化變分模態分解（VMD）的軸承故障診斷方法。建立了以信息熵、相關系數和峭度的目標函數以及綜合評價指標，將VMD的參數優化問題轉換成多目標優化的帕累托（Pareto）問題。首先，利用多目標粒子群優化算法（MOPSO）對三個目標函數進行尋優，得到VMD參數組合的比較好Pareto解集；其次，對Pareto解集用綜合評價指標對其進行評價，確定出VMD的比較好參數組合；利用已確定的比較好參數組合對軸承故障信號進行VMD分解，得到若干本征模態分量（IMFs）；再利用綜合評價指標選擇出比較好IMF，提取故障特征。仿真信號和實際軸承振動信號分析結果表明所提方法的有效性。關鍵詞：變分模態分解；故障診斷；信息熵；峭度；多目標粒子群優化算法河北滑動軸承油膜故障機理研究模擬實驗臺如何評估實驗臺的故障數據的質量?

往復壓縮機作為工業生產中的重要組成設備，保證其正常運行具有極其重要的實際意義。根據相關研究統計，氣閥故障大約占到了往復壓縮機故障總數的60%[1]。因此，有必要對往復壓縮機氣閥故障進行深入的分析和研究。往復壓縮機氣閥在工作中會受到摩擦，沖擊等多種因素的干擾，導致其振動信號具有強烈的非線性，非平穩性特征[2]。針對上訴信號，目前多采用小波分析、經驗模態分解（EMD）、變分模態分解（VMD）、熵值法、分形方法等對其進行分析研究，其中，多重分形方法不僅可以深層次的描述氣閥信號非平穩、非線性特征，同時可以描述氣閥振動信號的自相似性，進而可以更***準確的提取往復壓縮機氣閥的故障特征

HOJOLO自主開發的智能在線監測系統平臺，以結構安全和設備故障預測為導向，深度融合了物聯網、大數據、云/邊緣計算、人工智能以及數字孿生等先進理念，可廣泛應用于橋梁、房屋、隧道、邊坡、大壩、港機、機械設備、電力設施以及武器裝備等結構或設備的在線監測與健康管理。系統特點結構信息管理支持用戶自定義編輯結構信息，內置地理位置地圖，支持導入大部分主流格式的2D圖形或3D實體模型用于測點布設可視化展示狀態顯示支持自定義大屏展示界面的設計與主題管理，豐富的數據展示模塊，多維度直觀顯示被監測對象的實時/歷史工作狀態、報警等信息測點設置支持自定義創建與編輯測點，包括測點的基本信息、采樣設置、實時分析和存儲設置等。支持分析點數以及數據稀釋規則自定義，優化數據存儲結構，合理有效利用服務器存儲空間故障機理研究模擬實驗臺是研究故障與材料性能關系的重要工具。

VALENIAN可以模擬多種旋轉機械的振動情況，并可以通過INV306U數據采集系統與INV1612型多功能柔性轉子系統對系統振動情況進行采集、測量與分析。該系統可以進行轉子動平衡、臨界轉速、油膜渦動、摩擦振動、全息譜和非線性分岔圖等實驗，是一套非常適合于科研、教學和培訓演示的轉子實驗系統。旨在提供一個多用途，綜合型的系統平臺，為從事轉子動力學教學和研究的人員有針對性的深入研究創造良好的實驗與分析條件。昆山漢吉龍測控技術有限公司HOJOLO故障機理研究模擬實驗臺的可靠性備受認可。廣西故障機理研究模擬實驗臺制造商

故障機理研究模擬實驗臺的實驗數據至關重要。設備故障機理研究模擬實驗臺廠家

RFT1000柔性轉子測試臺主要由，底座，驅動電機、聯軸器、光電傳感器支架、兩跨支撐滑動軸承、轉子盤、摩擦支架、潤滑油杯。對于某一轉速下的六種轉子故障數據，所提模型辨識精度較高，然而實際情況下旋轉機械轉子運轉的轉速并不***，并會受到速度波動的干擾。因此，需要對本章模型在不同工況下轉子故障數據的適用性進行驗證。通過多通道對旋轉機械進行信號采集，能獲取較為豐富的機械設備故障信息，有利于旋轉機械故障診斷的實施。所提ME-ELM方法以集成學習為基礎，利用各通道采集信號的差異性構建集成模型，通過相對多數投票法從決策層融合的角度對多通道故障信息進行融合，相較于單通道ELM模型有較高辨識精度和較好穩定性。對比常用的故障診斷分類模型，ME-ELM仍具有較高辨識精度，并且適用于不同工況故障數據，能夠很好適用于多信號采集通道監測的旋轉機械故障診斷。設備故障機理研究模擬實驗臺廠家