VALENIAN測試臺是一種雙轉子實驗臺結構,此臺架主要由動力電機、內轉軸,、外轉軸(空心),、支承、輪盤,、皮帶,、皮帶輪、底座等構成,。其主要特點是:內外2個轉子通過中介軸承耦合在一起,分別由不同的電機驅動;4個輪盤分別用來模擬低壓壓氣機,、高壓壓氣機、高壓渦輪,、低壓渦輪的質量,。采用直接傳遞矩陣法計算了實驗臺架的**階臨界轉速,分析了支承剛度、轉速比,、輪盤的極轉動慣量,、長徑比等因素對臺架臨界轉速的影響,并據此對實驗臺架作了優(yōu)化。優(yōu)化臨界轉速后可以有效地減小運行時的振動,顯示優(yōu)化是有效的,。故障機理研究模擬實驗臺的應用范圍不斷擴大,。貴州俄羅斯故障機理研究模擬實驗臺

搭建PT500機械故障實驗臺過程中，在實驗臺關鍵位置設置4個三向加速度傳感器,，共計12個信號采集通道用以測取軸承座振動信號,。實驗臺共設置4個軸承座，各傳感器通過信號采集通道與軸承座連接,，由于軸在運轉過程中不同方向的振動信號不同,，將各傳感器的三個信號采集通道分別布置在軸承座的兩個徑向方向x、y與一個軸向方向z上，各軸承座與其連接通道在實驗臺中的位置如圖6所示,。圖6中Ⅰ~Ⅳ為四個軸承座,，Ch1~12對應12個信號采集通道，以CH1~3為例的三個方向通道布置位置如圖中右側所示,，ChV對轉速進行測量,，P為負載盤。轉子實驗臺通過兩個負載盤進行質量不平衡轉動實驗以模擬轉子系統(tǒng)的6種故障狀態(tài),，每種狀態(tài)的質量塊數量及分布情況如表2所示,。在安裝質量盤的過程中，單個負載盤負載時,，將質量塊集中布置,；兩個負載盤同時負載時，質量塊的安裝位置呈180°,。貴州俄羅斯故障機理研究模擬實驗臺故障機理研究模擬實驗臺的實驗數據至關重要。

MachineVibrationAnalysisTrainer（機器振動分析訓練器）ExtendedVibrationAnalysisTrainingSystem（拓展振動分析培訓系統(tǒng)）MachineVibrationAnalysisMulti-ModeTrainer（機械振動分析多模式訓練器）AdvancedVibrationAnalysisTrainingSystemPlus（高級振動分析培訓系統(tǒng)）PredictiveMaintenanceVibrationAnalysisTrainingSystem（預測性維護振動分析培訓系統(tǒng)）BalancingandBearingFaultSimulator（動平衡與軸承故障模擬器）ShaftAlignmentTrainer（軸對中訓練臺）RotatingmachinerytrainingSimulator（旋轉機械模擬器）Highendmodelfortraininghighspeedrotordynamics（用于訓練高速轉子動力學的**模型）

PT650款實驗臺主要由主軸電機,，聯(lián)軸器,，轉速控制模塊，支撐軸承座,，轉子盤作為負載機構,，電渦流傳感器支架，轉速計支架,，等部分組成,。通過預測值與試驗值的對比分析表明，兩種不同指標的預測模型隨著油液數據的累積,，不斷接近試驗值,；以健康指數為指標的預測模型比以單元素為指標的預測模型更早接近試驗剩余壽命，且預測值更加接近試驗值,，相較單元素模型更加準確,。退化過程的剩余壽命預測及維修決策優(yōu)化模型研究.基于不確定油液光譜數據的綜合傳動裝置剩余壽命預測故障機理研究模擬實驗臺是故障研究的前沿陣地。

航空發(fā)動機模擬試驗臺泛指對發(fā)動機控制器或控制系統(tǒng)進行仿真試驗的裝置,，其中發(fā)動機作為被控對象,，用計算機進行模擬，其余所有部件均為實際部件,。模擬試驗臺在教學和科研中都發(fā)揮著重要的作用：1.在教學中,，除了可以使學生更加直觀的理解發(fā)動機控制系統(tǒng)的構成?基本振動測量?振動傳感器位置的比較好選擇?不對中效應研究?軟腳的發(fā)現與校正?軸承失效研究?齒輪失效分析?油液分析&磨粒分析?行星齒輪失效分析?機械狀態(tài)監(jiān)測實踐?發(fā)電機故障分析?低速軸承故障檢測?齒輪齒隙效應研究?時域波形,頻率分析?多級軸對中的實踐?啟停機測試?軸承故障時域頻頻信號分析高速軸承故障機理研究模擬實驗臺。原裝進口故障機理研究模擬實驗臺設備

故障機理研究模擬實驗臺是研究故障行為的重要平臺,。貴州俄羅斯故障機理研究模擬實驗臺

RFT1000柔性轉子測試臺主要由,，底座，驅動電機、聯(lián)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(wěn)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(jiān)測的旋轉機械故障診斷,。貴州俄羅斯故障機理研究模擬實驗臺