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。

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。

滚动球变换支持下的TIN-DDM地形特征线自动提取方法

针对传统规则格网数字高程模型地形特征线提取方法中存在阈值难以定量调控、连接方式无法自适应调整以及地形特征线类型不完整的问题,将滚动球变换模型应用于不规则三角网数字水深模型(triangulated irregular network digital depth model,TIN-DDM)地形特征线的自动提取,在构建临界滚动球半径关联的地形特征点定量识别判定准则基础上,引入地形形态边界点概念,采用逆向工程的建模思路,建立了以剖分单元为基础的地形特征线自动提取模型,结合地形类型判定准则的多尺度表达特性及顾及水深数值的地形特征优化模型,提出了可多尺度表达且类型完整的地形特征线自动提取方法。试验结果表明:相比于经典地表流水模拟方法,该方法可实现完整、连续且细分的TIN-DDM地形特征线自动提取及多尺度表达,且提取的地形特征线具有更高的地形重构精度。

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。

联合收割机滚动轴承故障诊断系统研究--基于声场空间分布特征

首先,介绍了联合收割机滚动轴承振动机理和故障特征,并研究了基于声场空间分布特征的故障诊断流程;然后,对联合收割机滚动轴承的声音信号采集及特征提取进行了深入研究;最后,利用神经网络算法的模式识别对联合收割机滚动轴承的故障进行诊断。验证结果表明:系统对联合收割机滚动轴承故障的综合诊断率为91.67%,系统具有可行性。

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。

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明:所提方法CNN-LSTM有着较高的预测准确度。

基于角域重采样和领域对抗网络的滚动轴承故障迁移诊断方法及实验分析

该文提出一种基于角域重采样和领域对抗神经网络的电机滚动轴承跨工况故障迁移诊断方法。首先对不同工况下的时域振动信号进行角域重采样,用以降低不同转速下振动信号的时频差异;然后利用领域对抗学习策略提取出源域与目标域数据中的领域不变特征,进一步减小不同工况间的数据分布差异。该文还搭建了电机滚动轴承故障诊断实验平台,针对6种跨工况迁移诊断任务开展了验证实验。实验结果表明,所提方法的故障平均迁移识别率高达95.08%。该故障诊断方法实验研究涉及信号处理、深度学习等领域知识,有助于学生掌握基本原理,锻炼理论联系实际的能力。

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。

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。

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VB的滚动轴承CAPP系统设计与实现

为了提高滚动轴承工艺设计效率和准确性,利用Access建立轴承工艺标准数据库,实现轴承工艺数据信息的存储和管理,利用VB编程语言对Access系统内存储的数据信息进行关联调用,最终以Excel形式呈现,并通过设计友好的人机交互界面,实现用户与软件系统的良好沟通,最终开发出VB和Access两者有机结合的滚动轴承工艺设计与管理应用软件,实现轴承工艺数据信息的存储、查询、更新、生成与应用,进一步提升轴承工艺设计、管理的质量和效率。

“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。

VMD可视化及深度学习的滚动轴承故障诊断

滚动轴承故障检测信号具有非线性、不平稳的特点,且特征量难以提取,因此提出变分模态分解(VMD)信号的可视化与深度学习神经网络相结合的方法以诊断轴承故障。首先对轴承原始振动信号进行VMD分解,滤除信号噪声;其次采用希尔伯特黄变换消除VMD存在的“欠包络”问题;接着对一维时间序列信号进行可视化变换,提取信号的格莱姆角视场(GAF)二维特征图,以充分反映不同故障的特征。最后采用卷积神经网络(CNN)对可视化图形进行诊断,CNN网络包括两个卷积层和两个池化层,卷积层的内核均为(5×5),池化层内核均为(2×2),卷积层深度分别为20和32。对采集的10类轴承振动信号进行诊断,训练集样本数量为3791,训练精度为96.5%,测试集样本数量为209,测试精度为95.2%,证明了本方法的有效性。

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。

基于全映射复合多尺度散布熵的滚动轴承故障诊断

为有效提取滚动轴承振动数据中的非平稳故障特征,将复合多尺度散布熵(CMDE)中的不同映射方式进行集成,形成了一种新的测量轴承振动信号复杂度和自相似度的方法,即全映射复合多尺度散布熵(FCMDE)。在此基础上,提出了基于FCMDE和k近邻(KNN)的滚动轴承故障诊断方法,利用FCMDE计算轴承振动信号的熵值并提取轴承的故障特征,将高维故障特征输入KNN分类器中进行滚动轴承的故障识别,采用西储大学和江南大学轴承数据集的验证结果表明,FCMDE方法能够有效识别滚动轴承的故障类型,准确率分别达到了100%和95.83%。