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%。

汽车轮毂轴承单元组合式密封异响原因分析及解决方案

针对某汽车轮毂轴承单元在路试过程中出现轻微异响的问题,分析其主要原因为组合式密封圈合套过程中径向唇口发生卷边,造成径向唇口与骨架尖角摩擦,故对密封圈结构进行改进并借助工装进行合套,泥水耐久试验结果表明密封效果良好,且采用新密封圈的汽车轮毂轴承单元装车使用后未出现异常。

基于参数敏度分析的轮毂轴承寿命多目标优化

为提高某型第三代轮毂轴承受载疲劳寿命,以额定动载荷和额定静载荷作为响应指标,采用正交试验设计对轮毂轴承结构参数进行灵敏度分析,以轮毂轴承滚珠数量、滚珠直径、节圆直径及内外沟曲率半径等主要影响因素作为设计变量,建立轮毂轴承疲劳寿命多目标优化数学模型。分别采用非劣排序遗传算法(NSGA-II)、多岛遗传算法(MIGA)和最优化粒子群优化算法(MOPSO)进行优化求解,得到了轮毂轴承最优结构设计参数,采用有限元仿真分析方法对优化前后的旋压铆合装配成形轮毂轴承疲劳寿命进行对比验证。结果表明:上述优化策略实现了由2个目标函数主导的轮毂轴承整体性能提升,改善了轮毂轴承各组件的应力集中情况,提高了轮毂轴承的疲劳寿命,优化后结构最大应力较初始设计降低了约5.1%,寿命较初始设计结构增加了约3.8%,表明轮毂轴承的疲劳寿命多目标优化设计是有效的。

基于性能衰退评估的轴承寿命状态识别方法研究

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。

装配变形下谐波减速器中柔性轴承载荷分布与疲劳寿命研究

柔性轴承是谐波减速器中波发生器的关键零部件之一,对其载荷和寿命研究是谐波减速器可靠运行的关键。考虑柔性轴承装配后发生套圈显著挠性变形且与凸轮轮廓不同,假设内圈变形量未知,建立变形协调方程组对柔性轴承的载荷分布进行了研究,进而对其疲劳寿命进行了计算。利用有限元软件仿真分析了柔性轴承装配后的变形特点。结果对比表明,假设与仿真相符,载荷分布情况相符,疲劳寿命受到载荷影响。为柔性轴承的载荷分析和疲劳寿命评估提供了参考。

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti⁃interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络双向长短时记忆网络(convolutional neural network-bidirectional long short-term memory,简称CNN-BiLSTM)模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN-BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。

TD覆层技术在轴承模具制造中的应用

介绍了TD表面覆层处理技术的工艺特点及动力学原理,并通过对TD覆层处理后的组织分析及性能测试,验证了其在汽车轴承模具制造中的应用效果。结果表明:采用TD熔盐浸镀法可以在Cr12MoV钢表面形成结构致密、显微硬度极高的碳化物覆层,使得冷作模具钢的耐磨性能得到很大提高,从而延长了轴承钢制模具的使用寿命。

基于平衡力法的滚动轴承动摩擦力矩测量仪研制

研制了一种基于平衡力法的滚动轴承动摩擦力矩测量仪。该仪器采用重力法进行轴向加载,与外界无接触,避免了测量载荷及主轴运动对轴承摩擦力矩测量的影响;同时,根据摩擦力矩测量过程的信号特征,避开轴承启动时的不稳定阶段,选取轴承运转稳定后的摩擦力矩值作为动摩擦力矩测量值,保证了仪器测量重复精度。试验结果表明,该测量系统的动摩擦力矩重复性精度为±3 mN·m,能满足滚动轴承动摩擦力矩高精度检测的要求。

滚动轴承钢中残余奥氏体量的测定

分别采用磁性法、金相方法和X射线衍射法测量了GCr15轴承钢中的残余奥氏体含量,探讨了残余奥氏体含量对GCr15轴承钢使用寿命的影响。结果表明,磁性法测量GCr15轴承钢中残余奥氏体量快捷、准确,易于实现产品生产中的在线快速检测,轴承钢中残余奥氏体对轴承运行过程中疲劳寿命的影响,必须结合应力形态、分布、运行状态及诱发马氏体转变性能等方向进行综合研究来评价。

第三代轮毂轴承凸缘端面跳动的测量

针对第三代轮毂轴承凸缘端面跳动测量中由于测量端面倾斜导致系统误差的问题,提出了一种通过坐标转换及最小二乘拟合消除系统误差的方法,并采用伺服电动机和静压主轴搭建试验装置,利用LabVIEW开发了3种类型凸缘端面跳动量的信号采集、处理和分析程序。试验结果表明,3种凸缘端面跳动量重复测量精度均在±2 μm,实现了第三代轮毂轴承单元凸缘端面跳动的数字化精确检测。

基于改进深度残差网络的轴承故障诊断方法

针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitation networks,SENet)结构引入到残差神经网络残差块之中建立特征提取通道之间的联系,得到改进深度残差网络模型;再将标签化的训练集数据样本输入改进的诊断模型中进行训练;将训练好的诊断模型应用于测试集,输出每种故障的识别结果。在训练过程中,为了抑制过拟合,对原始训练样本进行加噪处理;同时引入了激活函数LReLU和Dropout技巧来提高模型的抗干扰能力。为了验证该模型的诊断性能,选用实验数据进行验证,结果表明该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的故障诊断能力。

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。

基于信息融合的滚动轴承寿命状态识别研究

针对滚动轴承寿命状态识别过程中,单一传感器蕴含的信息不能全面反映寿命状态的问题,文章提出了一种基于信息融合的滚动轴承寿命状态识别方法。该方法首先采用多路卷积层提取不同传感器的数据特征信息,克服单一信息源的局限性;然后采用多层卷积、池化交替级联的方式,实现多源信息的特征值深度融合,最后采用全连接和多分类函数,实现动轴承的寿命状态识别。通过不同方法的对比实验,结果表明了所提方法能够提高滚动轴承寿命状态识别率,具有较好的可行性。

轮毂轴承旋压面的漏磁检测

第3代轮毂轴承采用旋压工艺将各零件装配为一体,旋压加工中易产生裂纹,因此对旋压面进行无损检测十分必要。采用漏磁法进行轮毂轴承旋压面探伤,使用U形磁轭磁化方法,并使用与旋压面啮合的极靴导套构成磁化器,利用阵列组合且单点独立浮动的检测磁头拾取旋压表面漏磁场,实现旋压表面和内部缺陷检测。为了实施自动化探伤,通过轮毂轴承自动取料、旋转检测、良次品分料等,获得了精度高、速度快的探伤效果。

双机械手操作的轴承阵列漏磁检测方法与系统

为满足对轴承套圈更快捷、更全面、更精细的自动化无损检测需求,提出了一种基于交直流复合磁化的漏磁检测方法。通过布置正交的交流、直流磁化器对套圈的检测面进行复合磁化,可以激励出不同方向裂纹的漏磁场,再通过设计的差分电感仿形阵列探头检测复合磁化下漏磁场的法向分量,通过分频处理分别得到周向和轴向的裂纹信号。在自动化检测过程中,双机械手在2个不同工位分别带动漏磁检测探头,通过快速精准的跟踪扫查运动实现对轴承套圈内、外径面及2个端面的全方位自动化探伤。试验表明,该系统的定位精度满足轴承套圈的检测需求,而且开放式可编程的结构有利于轴承生产中的快速换型。

质量放大系数对三代轮毂轴承旋压铆合仿真的影响

为提高三代轮毂轴承旋压铆合有限元仿真分析效率,探讨质量放大系数对旋压铆合工艺的影响。通过控制质量放大系数的显式有限元方法对该工艺方法进行仿真,对比分析不同质量放大系数下小内圈的外径膨胀量和位移、翻边的外径差、铆装力、应力和总体载荷的变化,并与实际测得的数据进行对比。结果表明:合适的质量放大系数能够在一定程度上保证旋压铆合仿真的合理性,同时能够提高计算速度。研究结果为旋压铆合工艺研究提供参考。

基于共振法的第三代轮毂轴承负游隙测量技术研究

针对第三代轮毂轴承负游隙难以直接测量的问题,基于Hertz接触理论推导出了第三代轮毂轴承载荷与变形的关系,构建了第三代轮毂轴承负游隙与轴向接触副共振频率的关系曲线;根据幅频特性曲线提出了测量轮毂轴承接触副固有频率的简化共振法模型并研制了第三代轮毂轴承负游隙在线测量仪。由激励器激励轮毂轴承使其产生共振,通过LabVIEW软件采集与分析轮毂轴承共振的特征频率,从而实现第三代轮毂轴承负游隙的在线测量。研究结果表明:第三代轮毂轴承负游隙与接触副共振频率之间存在一定的映射关系,测量值与理论计算值具有较好的一致性,能够满足第三代轮毂轴承负游隙在线测量的工业要求。

浅谈无心磨床加工轴承套圈外圆的技术要求

无心磨床是工件采用无心夹持,一般支承在导轮和托架之间,由导轮驱动工件旋转,进行磨削的磨床。本文主要讨论,当无心磨床加工轴承套圈外圆(尺寸准40-准80),为保证圆度值达到1μ,对于托板,中心高、砂轮的技术要求。

基于CSAEMD-KECA和角结构距离的齿轮故障识别方法

作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明:利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。