氢气在实际应用中存在着许多负压场景,确定负压工况下的燃爆参数是对氢气进行科学评估和有效防控的首要前提。采用高精度配气及爆炸压力采集系统研究氢气在负压场景下的燃爆特性,明确氢气的爆炸上限、爆炸下限、临界爆炸压力、最大爆炸...氢气在实际应用中存在着许多负压场景,确定负压工况下的燃爆参数是对氢气进行科学评估和有效防控的首要前提。采用高精度配气及爆炸压力采集系统研究氢气在负压场景下的燃爆特性,明确氢气的爆炸上限、爆炸下限、临界爆炸压力、最大爆炸压力、最大爆炸升压比等燃爆参数;并通过Python中的Matplotlib等软件库对试验数据进行拟合,分析压力对氢气燃爆参数的影响。结果表明:在室温、空气条件下,初始压力从100 k Pa降至3.5 k Pa的过程中,爆炸范围不断缩小,特别是从初始压力低于10 k Pa开始,爆炸范围缩小速度明显增加,该现象与分子间距受压力影响的变化趋势存在强关联;当初始压力低至3.72 k Pa时,爆炸上、下限重合在12.58%体积分数的位置,该压力称为临界爆炸压力,低于该压力时体系将失去爆炸性;一般认为最大爆炸压力通常在理论当量体积分数29.6%附近取得,试验发现此规律仅适用于初始压力大≥5 k Pa的场景,当初始压力<5 k Pa时,理论当量体积分数将随着压力的减小而发生改变,逐渐偏离至体积分数10%~15%;最大爆炸升压比会随着初始压力的减小而降低,从常规的7.30降低至4.63,特别是在初始压力<5 k Pa的体系中,该比值大幅降低。展开更多
针对滚动轴承故障受噪声污染大、故障特征频率难以提取而导致的故障诊断困难的问题,提出了一种基于参数最优、稀疏最大谐波噪声比解卷积(Sparse Maximum Harmonics to Noise Ratio Deconvolution,SMHD)、特征模态分解(Feature Mode Deco...针对滚动轴承故障受噪声污染大、故障特征频率难以提取而导致的故障诊断困难的问题,提出了一种基于参数最优、稀疏最大谐波噪声比解卷积(Sparse Maximum Harmonics to Noise Ratio Deconvolution,SMHD)、特征模态分解(Feature Mode Decomposition,FMD)的滚动轴承故障特征提取方法。利用美洲狮优化算法(Puma Optimizer,PO)实现稀疏最大谐波噪声比解卷积与特征模态分解关键预参数的自适应选取,首先,对采集的原始振动信号进行稀疏最大谐波噪声比解卷积降噪预处理以突出冲击成分;然后,对预处理后的信号进行特征模态分解并以峭度最大值为标准选取最优分量,最后计算最优分量的包络谱提取特征频率实现轴承故障诊断。通过试验分析,验证了所提方法的可行性,并与其他分解方法做比较进一步证实了该方法的优越性与有效性。展开更多
文摘氢气在实际应用中存在着许多负压场景,确定负压工况下的燃爆参数是对氢气进行科学评估和有效防控的首要前提。采用高精度配气及爆炸压力采集系统研究氢气在负压场景下的燃爆特性,明确氢气的爆炸上限、爆炸下限、临界爆炸压力、最大爆炸压力、最大爆炸升压比等燃爆参数;并通过Python中的Matplotlib等软件库对试验数据进行拟合,分析压力对氢气燃爆参数的影响。结果表明:在室温、空气条件下,初始压力从100 k Pa降至3.5 k Pa的过程中,爆炸范围不断缩小,特别是从初始压力低于10 k Pa开始,爆炸范围缩小速度明显增加,该现象与分子间距受压力影响的变化趋势存在强关联;当初始压力低至3.72 k Pa时,爆炸上、下限重合在12.58%体积分数的位置,该压力称为临界爆炸压力,低于该压力时体系将失去爆炸性;一般认为最大爆炸压力通常在理论当量体积分数29.6%附近取得,试验发现此规律仅适用于初始压力大≥5 k Pa的场景,当初始压力<5 k Pa时,理论当量体积分数将随着压力的减小而发生改变,逐渐偏离至体积分数10%~15%;最大爆炸升压比会随着初始压力的减小而降低,从常规的7.30降低至4.63,特别是在初始压力<5 k Pa的体系中,该比值大幅降低。
文摘针对滚动轴承故障受噪声污染大、故障特征频率难以提取而导致的故障诊断困难的问题,提出了一种基于参数最优、稀疏最大谐波噪声比解卷积(Sparse Maximum Harmonics to Noise Ratio Deconvolution,SMHD)、特征模态分解(Feature Mode Decomposition,FMD)的滚动轴承故障特征提取方法。利用美洲狮优化算法(Puma Optimizer,PO)实现稀疏最大谐波噪声比解卷积与特征模态分解关键预参数的自适应选取,首先,对采集的原始振动信号进行稀疏最大谐波噪声比解卷积降噪预处理以突出冲击成分;然后,对预处理后的信号进行特征模态分解并以峭度最大值为标准选取最优分量,最后计算最优分量的包络谱提取特征频率实现轴承故障诊断。通过试验分析,验证了所提方法的可行性,并与其他分解方法做比较进一步证实了该方法的优越性与有效性。
