质量放大系数对三代轮毂轴承旋压铆合仿真的影响北大核心

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。     

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。     

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。     

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。     

基于多层降噪技术及改进卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题,提出了一种基于多层降噪技术及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承故障诊断新方法.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;然后采用奇异值分解(Singular value decomposition,SVD)处理训练样本,通过二分之均值法选择有效奇异值个数,获得原始降噪信号和带噪信号;为了避免丢失微弱故障细节特征,将带噪信号经过SVD进一步去噪消除模态混叠并输入经验模态分解(Empirical mode decomposition,EMD)得到内禀模态函数,根据方差贡献率大小选出IMF分量并与原始降噪信号叠加得到最终信号;将处理后的训练集数据输入到引入注意力机制(Attention mechanism,AM)的ICNN中进行学习;最后将得到的诊断模型应用于测试集,输出故障类别诊断结果.通过滚动轴承故障诊断模拟试验,在强噪声环境下进行测试,结果表明所提方法能更准确的在强噪声环境中实现轴承的故障诊断.     

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。     

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...     

套圈内圆磨削圆度误差复映规律分析与对策

根据内圆磨削圆度误差复映原理，在假定磨削系统是静态的情况下，建立了内圆磨削圆度误差复映规律数学模型，讨论分析了工件转数对内圆磨削圆度误差复映的影响，提出将工件电机改为变频无级调速，根据磨削前内圆形状误差的大小设定转速，对解决圆度误差是有效、可行的。     

滚动轴承 疲劳寿命及可靠性强化试验技术现状及发展

滚动轴承是广泛应用的重要机械基础件，其质量的好坏直接影响到主机性能的优劣，而轴承的寿命则是轴承质量的综合反映，在中国轴承行业“十一五”发展规划中，重点要求开展提高滚动轴承寿命和可靠性工程技术攻关。