江西在线故障机理研究模拟实验台

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、分析和显示平行轴齿轮箱故障机理研究模拟实验台 。江西在线故障机理研究模拟实验台

MachineVibrationAnalysisTrainer（机器振动分析训练器）ExtendedVibrationAnalysisTrainingSystem（拓展振动分析培训系统）MachineVibrationAnalysisMulti-ModeTrainer（机械振动分析多模式训练器）AdvancedVibrationAnalysisTrainingSystemPlus（高级振动分析培训系统）PredictiveMaintenanceVibrationAnalysisTrainingSystem（预测性维护振动分析培训系统）BalancingandBearingFaultSimulator（动平衡与轴承故障模拟器）ShaftAlignmentTrainer（轴对中训练台）RotatingmachinerytrainingSimulator（旋转机械模拟器）Highendmodelfortraininghighspeedrotordynamics（用于训练高速转子动力学的**模型）广西便携式故障机理研究模拟实验台故障机理研究模拟实验台是深入分析故障原因的基础。

MachineryFaultSimulator（机械故障模拟器）DrivetrainDiagnosticsSimulator（动力传动系统诊断模拟器）MachineryFault&RotorDynamicsSimulator（机械故障与转子动力学模拟器）Motorfaultdiagnosissimulator（电机故障诊断模拟器）BearingPrognosticsSimulator（轴承预测性模拟器）GearboxPrognosticsSimulator（齿轮箱预测模拟器）Portablevibrationsimulator（便携式振动模拟器）MachineVibrationSimulator（机械振动模拟器）Machinevibration–ShaftAlignmentSimulator（机械振动-轴对中模拟器）MachineryFaultSimulator–Lite（机械故障模拟器-简装版）MachineryFaultSimulator–Magnum（机械故障模拟器-完整版）Balancing–AlignmentTrainer（动平衡-对中训练台）MachineVibration&GearboxSimulator（机械振动-齿轮箱模拟器）

VALENIAN测试台是一种双转子实验台结构,此台架主要由动力电机、内转轴、外转轴(空心)、支承、轮盘、皮带、皮带轮、底座等构成。其主要特点是:内外2个转子通过中介轴承耦合在一起,分别由不同的电机驱动;4个轮盘分别用来模拟低压压气机、高压压气机、高压涡轮、低压涡轮的质量。采用直接传递矩阵法计算了实验台架的**阶临界转速,分析了支承刚度、转速比、轮盘的极转动惯量、长径比等因素对台架临界转速的影响,并据此对实验台架作了优化。优化临界转速后可以有效地减小运行时的振动,显示优化是有效的。故障机理研究模拟实验台的实验需要不断创新。

采集器模拟信号调理电路采用模块化设计，出厂前通道模块可配置，可扩展，其中前8通道兼容IEPE、4-20mA、电压采集，后4通道出厂前可配置4-20mA、电压、PT100/PT1000采集。●外部18～36V宽范围电压供电，可适用于大部分工业用电场合。●支持IEPE模式、电压、电流模式输入，包括使用4mA电流源耦合以及直流耦合。●每通道25600Hz、12800Hz、6400Hz、3200Hz、1600Hz（可选）的采样率。●每通道10Vpp的输入范围。●IEPE模式每通道0.1Hz的高通滤波器，10KHz的低通滤波器。模块化设计，前8通道兼容IEPE故障机理研究模拟实验台是故障机理探索的利器。江西在线故障机理研究模拟实验台

故障机理研究模拟实验台是科学探索的重要工具。江西在线故障机理研究模拟实验台

针对滚动轴承故障类型和损伤程度难以识别的问题，提出一种基于变分模态分解（VariationalModeDecomposition,VMD）和Gath-Geva（GG）模糊聚类相结合的滚动轴承故障分类方法。该方法通过对已知滚动轴承故障信号进行VMD分解，利用分量频率中心的大小确定分解模态的数量，将所得本征模态分量组成初始特征矩阵进行奇异值分解；选取3个比较大奇异值作为GG聚类算法的输入，得到已知故障信号的隶属度矩阵和聚类中心；通过待测信号初始隶属度矩阵与已知故障信号聚类中心之间的海明贴近度识别滚动轴承的故障类型和损伤程度。通过滚动轴承振动数据对所述方法的有效性进行验证，瓦伦尼安教学设备桌面式齿轮故障教学平台便携式转子轴承教学实验台桌面式转子轴承故障教学平台转子动力学研究实验台故障机理研究教学平台转子轴承综合故障模拟实验台诊断台转子轴承教学平台江西在线故障机理研究模拟实验台