重卡变速箱齿轮润滑效果影响因素及两级飞溅润滑分析

为确保重卡变速箱齿轮为其提供高效、稳定动力,保证重卡的性能,着重对单级齿轮的齿轮转速、齿轮箱倾角以及润滑油温度对齿轮的润滑效果基于CFD软件进行仿真研究,同时,对两级齿轮对应的飞溅效果与单级齿轮进行对比.通过上述一系列研究,为重卡变速箱齿轮的设计提供参考和依据.     

基于KISSsoft的采煤机齿轮箱参数优化设计

以某采煤机齿轮箱第四级行星齿轮传动系统为研究对象,通过KISSsoft软件建立齿轮组参数化模型,分析了在传动过程中主要参数对齿轮系统的影响。以最小齿根弯曲疲劳强度安全系数和最小齿面接触疲劳强度安全系数为目标函数,以螺旋角、模数、传动比、齿数、齿宽比和内孔径及轮缘厚度为约束条件,构建数学模型对齿轮设计参数进行优化,改善了采煤机齿轮箱传动中存在的问题。通过对比分析优化前后的齿轮传动性能,优化后的传动模型表现出了更高的可靠性和使用寿命。研究了优化后的齿轮箱传动模型各参数指标,确保最佳优化方案。所进行的研究工作对其他齿轮传动装备的优化与设计具有重要的参考价值。     

梅山铁矿井下电力机车齿轮箱油位检测装置改造

梅山铁矿针对井下20 t电力机车齿轮箱由于缺油造成其齿轮箱故障频发，影响设备正常生产运行的问题，通过改进加装自行设计制作的油位检测装置后，齿轮箱缺油时及时报警，保证了齿轮箱的良好润滑，保障了电力机车的可靠平稳运行。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

机械行业新标准介绍

根据中华人民共和国工业和信息化部公告2018年第36号,以下机械行业新标准2019年5月1日实施。1)JB/T 13525-2018《热轧用矫直机齿轮箱》为首次制定标准,规定了热轧用矫直机齿轮箱产品的常用型式、基本参数与尺寸、技术要求、试验方法、检验及验收规则、标志、包装、以及产品的运输和贮存。适用于宽厚板轧线热矫直机齿轮传动箱。2)JB/T 13526.1-2018《连轧二辊粗轧机第1部分:性能参数》为首次制定标准,规定了热连轧线二辊粗轧机设备的基本型式和性能参数。用于在热状态下,轧制黑色金属的热连轧二辊粗轧机。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

齿轮箱振动信号降噪及特征提取方法研究

以峭度值来构建适应度函数,再利用粒子群自适应优化方法得到最大峭度对应的分解层数。对仿真信号降噪情况进行分析可知,本文算法可以更加高效提取得到微弱特征频率,从而完成齿轮箱故障有效判别。通过信号处理测试可知,本文方法可以有效抑制齿轮箱振动产生的强背景噪声,使频率混叠得到充分消除,从而更加准确提取得到故障特征。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。