基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断

针对含噪信号的有效奇异值个数难以确定的问题，提出了一种改进的奇异值分解降噪方法--奇异值累积法。该方法通过计算奇异值的实际下降值与奇异值平均下降速度累积量的差值，并取该差值最大值点的位置作为有效奇异值的分界点来确定有效奇异值的个数。在此基础上，提出了一种基于奇异值累积法与快速谱峭度的滚动轴承故障诊断方法。采用奇异值累积法对原信号进行降噪处理，然后利用快速谱峭度确定滤波器中心频率及带宽，通过分析频段包络谱中明显的频率成分来诊断故障。该方法可以有效去除信号中的噪声，使得到的峭度值所反映的故障冲击更接近实际情况。对含内圈、外圈故障的滚动轴承实验数据进行分析，实验结果表明，相比快速谱峭度的故障诊断方法，该方法具有更好的故障识别效果。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

双疏纳米涂层改善轴承密封性能技术研究

为了提升滚动轴承密封性能,提出了采用双疏纳米涂层改善滚动轴承密封的方案并进行了系统的试验研究。首次独立研发了可实时光学监测润滑剂端泄的密封试验机。采用水和不同粘度的甘油水溶液作为润滑剂,对比研究了不同转速下双疏纳米涂层对密封性能的改善效果。试验结果表明,在一定的转速范围内,这种双疏纳米涂层都具有一定的防侧泄性能;在速度较低时纳米涂层可以显著提升密封性能,随着速度提高,密封性能下降。     

动量轮滚动轴承-转子系统非线性动力响应分析

建立了考虑非线性轴承力的动量轮轴承-转子系统动力学方程,并采用Runge-Kutta数值方法对其求解。利用分岔图、Poincare映射图、幅值谱图依次分析了不同转速、等效阻尼、径向游隙状态下系统动力学响应特征。分析结果表明:滚动轴承-转子系统具有丰富的周期、拟周期以及混沌的响应形式。混沌响应中存在变柔度振动,且x方向较为剧烈。合理选择滚动轴承的参数组合,可使滚动轴承-转子系统处于较稳定的振动响应状态。     

高碳铬轴承钢锻件取消正火工序的可行性试验

GCr18Mo属于高碳铬轴承钢,锻后正火、退火处理。与一般民品相比,增加了正火工序,目的在于消除因锻后冷却不当产生的网状碳化物,确保锻件质量符合网状碳化物级别不大于2.5级的要求(按《滚动轴承高碳铬轴承钢零件热处理技术条件》JB/T 1255-2014第四级别图评定)。高碳铬轴承钢锻件锻造温度高或冷却不足会沿奥氏体晶界析出网状碳化物,锻件中存在网状碳化物。     

《滚动轴承标准应用手册(2018版)》隆重出版

为认真贯彻国家的战略部署,实施标准引领,促进轴承产品的质量提升,早日实现中国轴承的强国梦,满足轴承生产企业、用户及其他使用方对新标准的需求,全国滚动轴承标准化技术委员会秘书处历经一年时间编辑的《滚动轴承标准应用手册(2018版)》现已出版。     

废旧滚动轴承再制造质量评价方法

滚动轴承作为长期处于高速、高负荷运行状态下的零部件,其再制造的质量将极大地影响再制造产品的寿命周期。对再制造后滚动轴承的4种状态进行测试,分析其产生的质量问题,并提出了一种基于小波包分解和BP神经网络相结合的滚动轴承再制造质量评价方法。首先对再制造后的滚动轴承进行不同状态下的振动信号采集,利用小波包分解对信号进行预处理,得到信号的能量特征;接着将此能量特征转化为特征向量并作为BP神经网络的输入,在经过训练后的网络中对其进行测试,从而来对信号进行识别,达到确定再制造轴承的质量状况的目的。