基于FS-PCA-MSCD的地铁轴承可视化诊断方法

针对地铁轴承的可视化故障诊断能力,本文提出了基于特征选择(Feature Selection,FS)与多尺度类距离(Multi Scale Class Distance,MSCD)的轴承故障诊断方法.首先对地铁齿轮箱轴承振动信号进行采集,获得不同故障类型的轴承故障样本集;然后基于FS方法提取故障样本中存在的敏感特征值,并利用获得的特征向量进行主成分分析(Principal Component Analysis,PCA),基于MSCD方法对各故障聚类进行再分类,提高故障类的可分性,获得可视化程度高的故障诊断结果.利用该方法对地铁齿轮箱轴承故障数据进行可视化故障诊断,诊断结果表明该方法能够提取敏感故障特征并获得具有较高故障可分性与可视化的诊断结果.该方法为地铁轴承在线故障分析能力提供了技术支持,在地铁运行维护与故障诊断方面均具有广阔的应用前景.

基于小波神经网络的地铁轴承故障诊断方法

提出了一种将小波包变换和改进BP神经网络相结合的地铁轴承故障诊断模型。该模型采用小波包变换对采集到的原始振动信号进行分解和重构,提取能量特征向量,并采用一种改进的小波神经网络模型对地铁轴承进行故障诊断,引入动量因子优化BP神经网络梯度下降算法,以提高模型诊断精度和收敛速度。基于凯斯西储大学轴承故障实验中加速度传感器采集的数据,首先对其进行预处理,然后对神经网络进行训练,当训练误差达到目标精度时,利用该模型开展地铁轴承故障诊断仿真实验。结果表明:改进的小波神经网络模型可以快速、准确地诊断出地铁轴承的故障类型。

地铁轨道牵引电机轴承柔性转子过临界转速自动控制

当电机运行在高速状态时,受地铁轨道牵引电机转子的挠度和静态蠕变性能影响,会使运行超过临界转速,使得转子振动加剧或产生共振现象,导致振动幅度增加。在此情况下,瞬时性转子转速的计算难度较高,难以准确判断转子是否达到或接近临界转速,无法实现对转子振动的主动控制。为此,提出地铁轨道牵引电机轴承柔性转子过临界转速自动控制方法,利用测量得到的转子瞬时转速,判断柔性转子的稳定性状态,实现过临界转速自动抑制。利用传递矩阵法计算出柔性转子的各阶临界转速;将磁电式转速传感器安置在柔性转子系统上,通过A/D采样法采集传感器输出的单个周期脉冲方波,获得柔性转子的瞬时转速;当瞬时转速达到临界转速时,采用线性自抗扰控制器,计算其控制律,实现对柔性转子的转速控制。试验结果表明,该方法的转速测量精度高,转子振动控制性能好,具有较强的抗扰动能力。

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法。首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断。试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100%。

基于Romax的某地铁圆锥滚子轴承应力分析

针对某地铁轴承的运行工况,基于Romax对地铁滚动轴承进行了应力分析。创建轴承三维模型,通过施加与实际受力等效的载荷,分析轴承滚子与套圈的接触应力情况:接触应力值范围,有无应力集中现象,接触区域是否良好。通过试验验证了其分析的可靠性。

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE)(FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法。首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数。试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法。

基于卷积神经网络的地铁牵引电机轴承剩余寿命预测

针对地铁牵引电机轴承剩余寿命预测过程中,单一类传感器不能全面反映轴承寿命信息,提出一种基于多信息融合与卷积神经网络的轴承剩余寿命预测方法。首先,使用振动传感器与声发射传感器在轴承疲劳寿命试验台上采集轴承寿命信号;其次,使用小波包分解对采集到的轴承寿命信号进行降噪并提取多特征值,在此基础上对得到的多特征值进行归一化处理并分析轴承退化趋势;最后,将采集轴承的寿命划分为五个阶段,同时把处理好的多特征值进行融合输入到卷积神经网络进行训练识别。结果表明:基于多特征值与卷积神经网络能预测轴承寿命所处的阶段的概率达到98%以上。

地铁车辆SKF轴箱轴承维修模式探讨

地铁因占用空间少、运能大、速度快、污染小等优势成为国家“十三五”重点建设的基础设施。随着各地地铁线网的高速发展,如此庞大的配属车辆,轮对轴箱轴承作为地铁车辆安全运行的重要部件。本文重点对滚动轴承的寿命和维修模式进行重点探讨,以供参考。

地铁轨道交通国产化轴箱轴承性能试验

地铁轨道交通轴箱轴承属于高速、重载、高精密、高可靠性的轴承,作为城市轨道交通车辆的关键旋转支承基础件,其安全性能指标是最根本的技术性能要求。目前轴箱轴承技术被国外垄断,所以在线使用的基本都为进口产品,大多为日本NSK、瑞典SKF和德国FAG的产品。通过研究、攻关,研制出了双列圆柱滚子轴承NNJP 5224X2-2Z Q/P69YA,经过台架试验、空载、重载等试验,试验结果表明该地铁轴承已达到国内领先水平,能够替代进口产品,可实现国产化。

Revised Ti-in-biotite geothermometer for ilmeniteor rutile-bearing crustal metapelites

In the present study, the Ti-in-biotite geother- mometer was revised using more than 300 natural rutile- or ilmenite-bearing metapelites collected worldwide. The formulation was empirically calibrated as ln[T（℃）]= 6.313 ＋0.22 41n（XTi ） -0.2881n（XFe ） -0. 4491n（XMg） ＋ 0.15P （GPa）, with Xj=j/（Fe＋Mg＋Al^Ⅵ＋Ti） in biotite, assuming ferric iron content of 11.6 mol% of the total iron in biotite. This thermometer is consistent with the well-calibrated garnet-biotite thermometer within error of i50 ℃ for most of the calibrant samples and can successfully distin- guish systematic temperature changes of different meta- morphic zones in both prograde and inverted metamorphic terranes as well as thermal contact aureoles. Thus, the thermometer truthfully reflects real geologic conditions and can be applied to TiO2-saturated metapelites metamor- phosed at the crustal level within the calibration ranges （450-840 ℃, 0.1-1.9 GPa, XTi = 0.02-0.14 in biotite）.