考虑弹流润滑效应的三点接触球轴承刚度特性分析

为获得润滑状态下三点接触球轴承更为准确的刚度特性,应考虑弹流润滑效应对轴承刚度的影响。文中基于拟静力学模型考虑高速离心力和陀螺力矩效应,根据给定轴承的结构参数和工况,计算滚动体与内外圈的法向接触载荷和各部件的运动速度。将拟静力学模型的计算结果和润滑介质参数代入弹流润滑模型,求解出滚动体与内外圈之间的压力分布和油膜厚度分布。进一步研究了转速、轴向载荷和润滑油的初始黏度对油膜压力和最小油膜厚度的影响。基于弹流润滑理论分析了转速和轴向载荷对轴承接触刚度、油膜刚度及综合刚度的影响。结果表明:转速的提高会大幅增加润滑油膜的整体厚度;润滑油初始黏度的增大会增加油膜厚度;随着轴承转速的提高,轴承的整体轴向刚度和轴向油膜刚度减小;随着轴向载荷的增大,轴承轴向刚度和轴向油膜刚度增大,且差值变化不大。

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征(即不同域)的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。

JUST回转支承故障试验数据分析

回转支承作为军用雷达的关键部件,对保证设备安全使用、提高效益具有重大作用。通过数据驱动方法对回转支承运行状态进行实时监测与诊断,已成为该技术领域的研究热点。然而回转支承面临服役工况复杂、故障试验样本稀少等问题,使其故障诊断技术研究一直饱受数据不足的困扰,也严重制约了军用机械装备寿命预测与健康管理技术的发展与应用。为此开展了回转支承故障试验,通过对回转支承运转过程中的多向振动、声发射信号进行采集,形成了故障试验数据集。该数据集包含回转支承在9种工况下的多向振动信号和声发射信号,且明确标注了回转支承的信号采集时间、故障标签、转速、负载、采集次数等多种相关信息,为基于数据驱动的回转支承故障诊断与雷达伺服系统健康管理提供数据支撑和技术保障。

空间滚动轴承MoS_(2)薄膜润滑分子动力学模拟

针对空间滚动轴承往复运动状态下二硫化钼薄膜润滑失效机理不明的难题,提出了采用分子动力学对薄膜润滑过程进行分析的方法。建立了单层二硫化钼薄膜摩擦原子模型,针对载荷和环境温度这2个空间滚动轴承的重要影响因素展开了二硫化钼薄膜的往复摆动模拟,得到了摩擦过程中二硫化钼薄膜的摩擦力、粘附力和磨损情况。模拟结果表明:Fe-Ni-Cr合金探针在单层二硫化钼薄膜上的摩擦为黏滑运动,载荷在20~100 nN范围内探针的摩擦过程不会对薄膜造成磨损,但在往复运动过程中润滑性能有所提高;载荷从200 nN开始探针的摩擦过程会对薄膜造成磨损,往复运动过程中摩擦系数不断提高,润滑性能下降;400 nN为单层薄膜的载荷极限,在该载荷下探针会刺穿薄膜与基底接触此时薄膜迅速磨损失去润滑作用。环境温度在1 773.15 K以下对薄膜的润滑作用影响不明显,但达到该温度后薄膜边界处开始缓慢熔化,当环境温度达到二硫化钼熔点时薄膜的熔化速度加快并失去润滑作用。从这些发现得到如下结论:二硫化钼单层薄膜在接触载荷8 GPa以下拥有优异的耐磨性和润滑性;在薄膜未破损的条件下,反复摩擦过程提升了润滑性能;二维层状结构对单层二硫化钼薄膜润滑性能有重要的影响,高温和重载都会对薄膜层状结构造成破坏。

基于包络谱语义构建的零样本滚动轴承复合故障诊断方法

深度学习算法在训练集完备的情况下可以实现较高的故障识别率,然而在真实工业场景中,滚动轴承的多种故障可能复合存在,通常难以获取充足的数据用于训练。为解决该问题,提出了一种基于包络谱语义构建的零样本复合故障诊断方法,在训练阶段使用单一故障数据构建了一个语义空间和一个特征空间,然后在识别阶段通过语义空间和特征空间的复合,实现对零样本情况下的复合故障识别。此外,考虑到包络谱能很好地表征滚动轴承故障特征,采用包络谱预处理故障信号以增强轴承故障的特征,并借助信号包络谱的物理含义来构建轴承单一故障和复合故障的语义。试验结果显示,所提模型在复合故障识别上取得了87.83%的准确率,优于对比模型。

针对冲击性故障信号的谱融合特征提取算法

利用盲解卷积方法在时域中进行故障信号特征提取时,常会出现多个信号混淆分离结果,但以往的研究中只强调了分离的部分,而很少对分离后的信号进行进一步的处理,给实际应用造成不便。这里在盲解卷积和谱融合的基础之上,使用核改进的模糊c均值聚类算法,针对机械故障信号的脉冲特性,提出一种针对冲击性故障信号处理的实用型算法。计算机仿真实验证实了该算法的有效性。此算法优化了以往的聚类筛选方法,可以有效排除反卷积后诸多无用信号的干扰,将故障脉冲信号的特征准确提取出来,能提高故障诊断的效率。

基于时间卷积网络的机床齿轮箱轴承剩余寿命预测

基于深度神经网络的RUL预测模型结构比较复杂,不能很好地满足中长期预测任务的要求。为了更好地利用时间信息,设计一种基于时间卷积网络(TCN)的轴承RUL预测模型。以振动信号的频谱特征作为输入,利用因果膨胀卷积结构提取频域特征并捕获长期依赖,从而实现对轴承准确的RUL预测。为了进一步说明所提方法的优越性,将所提方法与卷积神经网络(CNN)、门控循环单元(GRU)进行了对比。结果表明:所提出的TCN模型的RUL预测精度优于其他现有方法,具有较高的精度。

工业大数据环境下旋转机械智能故障诊断技术研究

针对旋转机械故障诊断精度较低的问题,提出利用工业大数据对旋转机械的故障进行智能化诊断.研究利用工业大数据对旋转机械的状态进行评估,并且采用深度学习对机械的健康程度进行诊断、监测,对工业大数据环境下的旋转机械诊断的发展趋势进行分析,促使机械故障诊断正式进入大数据时代,实现故障诊断的智能评估.

基于MCKD算法的轴承振动信号处理及故障诊断研究

为了提高轴承振动信号抗干扰能力,设计了一种基于最大相关峭度解卷积(MCKD)算法的轴承振动信号处理及故障诊断方法.利用相关系数-峭度方法确定IMF1与IMF2并完成重构降噪过程,利用MCKD算法实现重构信号的降噪,再以包络谱完成解调分析.研究结果表明:在105.5 Hz位置存在较明显的波峰,形成了与滚动体故障频率理论值相同结果,依然形成了明显的2倍频波峰,证明MCKD算法对滚动轴承进行初期故障诊断时具备更明显的优势.本研究有助于提高轴承的故障识别能力,也可拓展到其他的机械传动领域.

基于流固耦合的箔片气体轴承动态特性分析

基于有限元软件ANSYS Workbench,建立箔片气体轴承在可压缩流体介质中运动的有限元模型,采用6DOF动网格计算方法对轴承的运动状态进行流固耦合数值模拟,探讨了不同转速和波箔片结构参数(波箔片的长度比、高度以及厚度)对轴承动态特性的影响规律。仿真结果表明:转速增加,轴承的承载能力增加,但稳定性有所下降,更容易发生失稳现象;选取波箔片的长度比在1~1.5之间、厚度为0.16 mm,既可以保证轴承具有较高的刚度,同时又能获得较大的阻尼;波箔片高度与轴承动态特性成反比关系。将仿真结果与试验结果进行对比,验证了仿真计算方法的正确性和有效性。同时本文的研究为优化波箔片结构,改善轴承动态特性,提高轴承运行稳定性提供理论依据。

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

基于MFCC和MDE-SVDD的滚动轴承音频信号异常检测方法

针对传统振动传感器安装不易,而声信号分析易受环境噪声干扰的问题,提出一种基于梅尔倒谱系数(MFCC)和马氏距离加权改进支持向量数据描述(MDE-SVDD)的音频信号异常检测方法,用于滚动轴承运行状态监测。该方法从轴承运行声信号中提取MFCC作为特征向量,进而使用马氏距离加权改进SVDD,以增强对噪声样本的抗干扰性,从而提高算法的检测精度,然后在实验音频信号中添加多种强度的高斯白噪声以模拟现场噪声环境,并将所提方法的测试结果与传统SVDD等异常检测方法进行比较。结果表明:在低信噪比(-5 dB)场景下,MDE-SVDD的异常检测平均准确率达到91.99%,相较于传统SVDD提升了7.73百分比。

多孔质静压轴承静态特性预测研究

在多孔质静压轴承设计中,轴承设计参数是影响其静动态特性的关键因素之一,通常情况下,要得到合适的轴承设计参数,需要多次重复建模和仿真,且由于轴承结构复杂,建模难度大,仿真时间长,严重影响了轴承的设计效率。本文构建了一种基于遗传算法(Genetic algorithm,GA)优化反向传播(Back propagation, BP)神经网络的轴承静态特性预测模型,采用拉丁超立方抽样方法在轴承参数设计空间内采样,并进行Fluent流体仿真,将仿真数据用于GA-BP神经网络模型的训练与测试,实现了对设计空间内任意设计参数下的多孔质静压轴承静态特性的预测。研究结果表明,训练出的GA-BP神经网络模型能够准确预测多孔质静压轴承的静态特性,预测精度在95%以上,对多孔质静压轴承的快速设计和参数优化具有重要意义。

无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

基于优化VMD-CNN-BiLSTM的电机轴承智能故障诊断研究

针对滚动轴承早期故障信号较弱及特征数据提取效果差,导致故障诊断准确率低以及故障诊断效率低的问题,提出一种信号处理结合深度神经网络的故障诊断方法。首先,采用变分模态分解(VMD)法提取主轴承振动数据中的特征数据;然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α,增强特征提取的效果,将最小排列熵作为适应度函数,采用全局优化能力强的正弦混沌自适应鲸鱼优化算法(CAWOA)进行参数的确定,得到最优模态分量;接着,根据最优模态分量构造特征向量,将特征向量作为CNN-BiLSTM网络的输入,实现故障的分类。最后,根据实验平台采集的数据进行实验分析。结果表明,优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型,在准确率以及实时性上均有明显提升。

风电主轴承失效分析与优化设计

风电主轴承是风力发电机组的核心部件,其性能直接影响风机可靠性和寿命。通过对4MW风电调心滚子主轴承进行材料、热处理质量、扫描电镜检测分析,结合Romax轴系仿真模型分析轴承两条滚道的受力状态,结果表明受轴向力、倾覆力矩联合作用,轴承出现偏载是导致一侧滚道疲劳的主要原因。对调心滚子风电主轴承进行优化设计并仿真分析,结果表明通过改变接触角进行非对称设计,可改善轴承受力状态。风电主轴承的失效分析与优化设计研究,可为大功率风电主轴承设计提供参考。

精密轴系低温动态摩擦力矩波动分析及优化策略

精密轴系作为机械设备旋转支承核心,其动态摩擦力矩及平稳性直接影响整机功耗及运转精度,尤其在低温环境下,由于温度对润滑油黏度、零件尺寸和配合关系的影响,精密轴系更易出现动态摩擦力矩异常波动。针对某精密轴系低温环境下批次性动态摩擦力矩异常波动现象进行了主因素分析,通过ADAMS平台建立仿真模型,分析了引导间隙、兜孔间隙对保持架动态特性的影响。结合拆解数据,指出兜孔间隙不合理引发的兜孔磨损是造成精密轴系动态摩擦力矩异常波动的原因,通过数理统计对保持架参数进行优化,兜孔间隙与引导间隙之比为0.70~0.85时,该精密轴系低温下运转稳定。

基于振动信号的滚动轴承复合故障诊断研究综述

滚动轴承是旋转机械的关键部件。工作原理与工作环境决定了其具有易损、易耗特点。对其进行故障识别与诊断是保证设备运行安全可靠的必要手段。在工程应用中,轴承复合故障发生率高于单一故障,且特征识别较为困难。文章面向基于振动信号的滚动轴承复合故障诊断领域,按照传统诊断、智能诊断分类,从算法历程、基本原理、应用效果、算法优缺点等角度,对各种诊断方法进行了论述和分析,对轴承复合故障诊断方法的研究趋势进行展望。