VALENIAN可以模拟多种旋转机械的振动情况，并可以通过INV306U数据采集系统与INV1612型多功能柔性转子系统对系统振动情况进行采集、测量与分析。该系统可以进行转子动平衡、临界转速、油膜涡动、摩擦振动、全息谱和非线性分岔图等实验，是一套非常适合于科研、教学和培训演示的转子实验系统。旨在提供一个多用途，综合型的系统平台，为从事转子动力学教学和研究的人员有针对性的深入研究创造良好的实验与分析条件。昆山汉吉龙测控技术有限公司HOJOLO转子平行轴齿轮箱、行星齿轮箱故障机理研究模拟实验台。天津风机故障机理研究模拟实验台

复杂装备关键动部件故障预测与健康管理................................................................................1TY-01-01励磁绕组短路与差异性负载组合下的汽轮发电机转子振动特性分析...........1TY-01-02油液监测健康管理技术的研究与进展.............................................................12TY-01-03基于VMD-ReliefF的滚动轴承退化特征提取方法...........................................23TY-01-04数模联合驱动的轴承故障深度迁移智能诊断方法.........................................28TY-01-05AReviewofMethodsforStructuralHealthMonitoringofAircraftLandingGear34TY-01-06FaultDiagnosisMethodofRollingBearingBasedonDTCWPTThresholdDenoising，CSCohandMSCNN............................................................................................40TY-01-汉吉龙故障机理研究模拟实验台传感器故障机理研究模拟实验台的发展前景广阔。

一阶临界转速下振动峰值,一级转子的不平衡。不平衡可能位于中间的转子动平衡仪,也可能位于转子的两端。二阶临界转速,转子振动峰值,在二阶转子不平衡,不平衡转子位于两端,和反向阶段两端不平衡力的角度。2根据振动的工作速度工作速度转子失衡类型判断更为复杂,转子和轴承之间的互相干扰影响较大的特征。振动的工作速度可分为两种类型:1)反向阶段组件。放电检测器工作速度下转子扭转振动组件是更大、反对称转子不平衡。在大多数情况下反对称林加重程度高,这种振动的工作速度比较容易平衡。2)同相分量。工作速度振动出现同相分量有三种可能性:一阶不平衡,第三个订单不平衡和悬臂式的转子不平衡。

搭建PT500机械故障实验台过程中，在实验台关键位置设置4个三向加速度传感器，共计12个信号采集通道用以测取轴承座振动信号。实验台共设置4个轴承座，各传感器通过信号采集通道与轴承座连接，由于轴在运转过程中不同方向的振动信号不同，将各传感器的三个信号采集通道分别布置在轴承座的两个径向方向x、y与一个轴向方向z上，各轴承座与其连接通道在实验台中的位置如图6所示。图6中Ⅰ~Ⅳ为四个轴承座，Ch1~12对应12个信号采集通道，以CH1~3为例的三个方向通道布置位置如图中右侧所示，ChV对转速进行测量，P为负载盘。转子实验台通过两个负载盘进行质量不平衡转动实验以模拟转子系统的6种故障状态，每种状态的质量块数量及分布情况如表2所示。在安装质量盘的过程中，单个负载盘负载时，将质量块集中布置；两个负载盘同时负载时，质量块的安装位置呈180°。故障机理研究模拟实验台的稳定性至关重要。

DC24阶次分析软件特点?采用先进的数字跟踪滤波和重采样技术，对振动信号进行整周期采样，实现无泄露、极陡峭的阶次分析?每个瞬态信号都能连续进行采集、分析和保存，保证了数据的完整性?数据实时显示、分析和处理，也可事后分析包络分析功能特点?软件包络解调?通过包络解调技术，实时测量，实时显示包络谱扭振分析功能特点?实时扭振角速度、角度计算与显示?支持扭振径向误差修正，提高测试精度?实时扭振时程曲线、实时扭振角程曲线?实时频域分析和显示?扭振模态计算、分析和显示故障机理研究模拟实验台的技术不断更新。四川机电故障机理研究模拟实验台

故障机理研究模拟实验台的研发是一项艰巨的任务。天津风机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。天津风机故障机理研究模拟实验台