滚动轴承局部故障时变刚度系统动力学分析

针对滚动轴承局部故障动力学建模问题,通过分析各滚动体在进入、退出载荷区和陷入故障时的变化情况,基于Hertz接触理论,定义了接触变形保留因子,提出了滚动轴承等效时变刚度函数,建立了局部故障滚动轴承单自由度时变刚度动力学模型,并进行了理论分析和试验研究。研究结果表明:当滚动体进入或退出载荷区时,载荷区中承载滚动体数量增加或减少,引起系统等效时变刚度的小幅增加或减小;当滚动体陷入故障时,因接触变形保留因子的不同使得其有效接触刚度不同程度降低而导致系统等效时变刚度的减小。系统等效时变刚度的变化引起载荷区中其他滚动体的接触变形和接触力产生不同幅度的变化,从而平衡外部径向载荷,对载荷区中心附近的滚动体的影响较为明显,但不影响各滚动体的有效接触刚度。系统等效时变刚度发生突变,导致系统振动。当外环故障时,等效时变刚度等幅变化;当内环故障时,等效时变刚度的变化受到内环旋转的调制而幅值不同。提出的单自由度时变刚度动力学模型与实际更加吻合。

联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断

滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。

基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

应用新结构、新材料开发配套低滚动阻力轮胎

应用新结构、新材料开发配套12R22.5 C600低滚动阻力轮胎。应用超高强度骨架材料,胎体采用0.17+5×0.215+10×0.235CCST钢丝帘线,带束层采用4+3×0.35ST钢丝帘线,钢丝包布采用0.17+5×0.215+10×0.235CCST钢丝帘线;优化配方设计,胎面胶采用低滚动阻力胶料,基部胶采用低滞后损失胶料;优化胎冠弧设计以及胎肩和胎圈部位材料分布。成品轮胎的充气外缘尺寸符合国家标准要求,耐久性能良好,滚动阻力达到欧盟标签C级,满足客户的需求,轮胎装车后行驶里程达到20万km,与普通轮胎相比,平均每百公里可节油1.13 L。

非充气轮胎的滚动越障振动仿真分析

采用仿真分析方法探究非充气轮胎的滚动越障振动特性。建立非充气轮胎的有限元模型,对辐条式原始非充气轮胎(简称原始轮胎)和轮辐仿生优化非充气轮胎(简称优化轮胎)的滚动越障振动进行仿真分析,研究滚动速度和障碍物高度对原始轮胎和优化轮胎的径向和纵向振动的影响,以及两种轮胎的振动特性与其滚动越障时接地压力峰值标准差之间的关系。结果表明:越障时滚动速度和障碍物高度的增大会加剧非充气轮胎的径向和纵向振动;与原始轮胎相比,优化轮胎的减振效果主要体现在滚动速度和障碍物高度变化时其振动特性较为平稳;接地压力峰值标准差能够在一定程度上表征非充气轮胎的振动强度。非充气轮胎的滚动越障振动仿真分析为其动态特性研究奠定了一定的理论基础,对提高车辆的稳定性具有重要的意义。

汽车轮胎滚动阻力研究综述

汽车轮胎稳态滚动阻力作为轮胎力学特性之一,对汽车的动力性、燃油经济性、制动性、操纵稳定性以及轮胎使用寿命等具有重要影响。阐述了轮胎滚动阻力产生机理,总结了轮胎滚动阻力的试验测量、数值仿真和理论计算方法;分析了车轮结构参数及材料属性对轮胎滚动阻力的影响;指出了汽车轮胎滚动阻力研究的技术挑战及发展趋势,可为轮胎滚动阻力的研究提供一定的参考。

扣件刚度非线性对波磨区轮轨瞬态滚动接触行为的影响

WJ-8型扣件橡胶垫板刚度在长期服役过程中表现出非线性特征,静刚度随荷载增加而降低,为提高三维瞬态滚动接触有限元模型计算精确性,本文以LMA踏面车轮及CHN60型钢轨为基础,基于显式积分算法,将以往研究中线弹性扣件转化为非线性扣件,建立考虑扣件刚度非线性特征的三维轮轨瞬态滚动接触有限元模型,研究刚度非线性对车轮与钢轨波磨间高频动态响应及瞬态接触行为的影响,并重点分析了波磨工况下时频域内轮轨接触力、轴箱加速度的变化信息.结果表明:扣件非线性对轮轨接触力变化影响明显,主要表现为车轮行驶至扣件前端时强振动导致橡胶垫板表现为柔软特性使轮轨接触力减小,车轮行驶至扣件上方时在轴重作用下振动减弱表现为刚硬特性使轮轨接触力增大,轮轨力变化差异最大达到13.1%.

基于AESL-GA的BN球磨机滚动轴承故障诊断方法

针对基于知识的贝叶斯网络(BN)构建方法存在不完全和不精确的缺点,提出一种基于知识引导和数据挖掘的BN结构构建方法。针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题,将电流信号与振动信号融合建立BN的特征节点,分别提取2种信号的故障特征参数,利用区分度指标法进行特征筛选,将其作为BN结构特征层的节点。将专家知识构建的初始BN结构结合自适应精英结构遗传算法(AESL-GA)进行结构优化,通过自适应限制进化过程中的搜索空间,减少自由参数的数量,提高其全局搜索能力,得到最优BN结构。通过MQY5585溢流型球磨机滚动轴承实测数据和Paderborn University轴承数据集对所提方法进行验证,结果证明了所提方法的有效性。

“复杂系统控制与决策”课程的递进滚动式教学方法探索与实践

不同课程要有对应的教学方法,针对“复杂系统控制与决策”博士生课程知识跨度大、内容新且缺少成熟教材的实际情况,课程组采取了精讲经典内容、研读重要文献、研讨主要观点、实践实用方法及邀请专家授课等灵活的教学形式,采取“全程聚焦、滚动深化和分段推进”等可行的具体措施,提出并实践了递进滚动教学法,取得了很好的教学效果。

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。

新小波阈值法与VMD相结合的滚动轴承特征提取

针对滚动轴承故障信号弱以及难提取等问题,提出了一种新小波阈值方法与VMD相结合的轴承故障信号特征提取方法。首先,利用一种改进的指数小波阈值函数来优化传统小波降噪方法,克服其存在间断点和恒定偏差等问题;然后,结合VMD提取滚动轴承的有效故障特征;最后,以6205-RS号轴承内圈故障数据作为原始信号进行实验验证。实验结果表明,该方法能够有效提高降噪信号的信噪比,降低均方根误差,保证滚动轴承微弱故障信号特征提取的完整性和有效性。

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。

Welch功率谱与卷积神经网络结合的滚动轴承故障诊断

针对滚动轴承故障诊断在小训练样本下和强噪声下无法取得高精度识别的问题,提出一种基于Welch功率谱结合卷积神经网络进行诊断的方法。该方法以原始时域振动信号作为输入,用Welch功率谱转换数据形态同时对高强度噪声进行抑制,再用得到的功率谱训练卷积神经网络,最后将训练好的模型用于轴承的故障诊断。与WDCNN[1]等方法进行对比,实验发现在混合负载下,该方法平均识别率正确达到99%,其它方法达到这个精度至少需要20倍以上的训练样本量,明显优于WDCNN等方法。抗噪实验结果表明噪声对信号的干扰越强烈,该方法的抗噪表现越好,其抗噪性能要显著优于WDCNN等方法。

考虑滚动体滑移的全陶瓷角接触球轴承非线性动态特性分析

为了探究陶瓷滚动体发生滑移运动时全陶瓷角接触球轴承的动态特性,建立了滚动体与轴承外圈的接触模型,计算了滑移情况下的接触参数。在此基础上建立了考虑滚动体滑移行为的全陶瓷角接触球轴承动力学模型,通过模型的计算结果分析了轴承系统的振动特性和周期规律。由模型计算结果可知,滚动体发生滑移运动时接触变形和接触面积随载荷的增大而增大,然而接触变形远小于正常接触时的情况,接触面积大于正常接触时的情况。搭建了轴承转子试验台进行振动试验,在试验工况条件下得到的全陶瓷轴承振动幅值与模型计算的结果平均误差仅为0.68%,证明了模型的准确性。该研究为全陶瓷角接触球轴承的接触机理研究和动态特性分析提供了一定的理论依据。

基于混合域残差注意力网络的滚动轴承智能故障诊断方法

机械设备正朝着大型化、精密化和自动化的方向发展,机械系统也因此变得越来越复杂。考虑到机械系统可能会发生无特征的灾难性故障,因此机械故障的自动检测是一个巨大的挑战。然而,现有的故障检测方法在对高度复杂的工业系统进行故障类型识别时,误诊率较高,无法给出准确的故障诊断结果。针对这一问题,本文以滚动轴承这一机械设备关键部件作为研究对象,提出一种基于混合域残差注意力网络的故障诊断方法,旨在结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力机制的关键特征提取能力,提高故障检测性能。实验结果表明,所提出的方法能够准确地检测轴承故障类型,在准确度指标方面优于其他方法。

基于动态TDFP模型与Wasserstein距离的滚动轴承运行状态评估

针对滚动轴承运行状态评估问题,提出一种基于动态二维特征概率(TDFP)模型与Wasserstein距离的评估方法。首先通过滚动轴承健康数据样本的均方根和线性峭度指标构建二维性能指标序列,利用多元核密度估计构建TDFP基准模型;然后通过不断累积的监测数据样本对TDFP模型进行动态更新,并计算Wasserstein距离测度获取基准模型与更新模型之间的量化差异;最后结合自适应健康阈值策略实现对滚动轴承运行状态的动态评估。滚动轴承全寿命周期实验数据验证结果表明:该评估方法能够准确跟踪轴承的退化过程,并及时捕捉到轴承初始退化时刻,对实际工程应用具有一定参考及借鉴价值。

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

改进卷积胶囊网络的滚动轴承故障诊断方法

目前许多基于卷积网络的滚动轴承故障诊断方法受噪声信号以及负荷变化的影响,存在诊断效果不佳、泛化能力差的问题。针对此问题提出一种改进卷积胶囊网络的滚动轴承变工况故障诊断方法。该方法设计了多尺度非对称卷积模块,其中采用不同尺度的非对称卷积层对输入数据进行特征提取,在实现最大化提取数据中的特征信息的同时,还能够有效减少参数量;在该模块中引入通道注意力机制,能更好地提取有用的通道特征,提高该方法特征提取的能力;通过将网络中的全连接层改进为胶囊全连接层,使得胶囊在输出向量特征信息时,避免了特征信息在空间中的丢失。使用凯斯西储大学轴承数据集和东南大学变速箱数据集来验证所提方法的诊断性能,并与其他深度学习方法进行了比较。实验结果表明,与其他深度学习方法相比,具有较好的泛化性,效果更佳。

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少16.89%以上。