GMA可控油膜轴承研究进展

综述了超磁致伸缩驱动器(GMA)的结构设计以及GMA油膜轴承的研究现状。阐述了GMA油膜轴承的工作原理以及油膜轴承中专用GMA的结构特点,指出了GMA油膜轴承仍需解决的关键问题及其研究方向。为实现该轴承的工业化应用,应根据GMA油膜轴承的工作环境,建立该油膜轴承-转子系统-执行器的动力学模型,采用基于现代控制理论的各种方法,研究该可控油膜轴承的稳定性和安全性。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于小波奇异性检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

基于小波变换奇异点检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

基于Transformer的陶瓷轴承表面缺陷检测方法

针对传统机器视觉检测方法中,由于陶瓷轴承滚动体表面曲率大、对比度低,表面成像模糊导致后续缺陷检测精度低的问题,提出一种基于Transformer的超分辨率残差网络。首先,网络使用残差学习策略,通过预测模糊图像与清晰图像之间的差值,实现超分辨率任务;其次,在网络上前端插入通道注意力模块和空间注意力模块并改进L2多头自注意力模块,以增强图像纹理、改善梯度爆炸问题;最后,针对超分辨率重建任务,提出一种两阶段训练策略优化训练过程。自建陶瓷轴承表面缺陷数据集上的大量实验结果表明,所提出网络模型在客观指标与主观评价上均优于MSESRGAN、VSDR等超分辨率算法,重建图像SSIM为0.939,PSNR为36.51 dB。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究（英文）

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于GA随机共振的模糊SVDD轴承性能退化评估

提出了一种基于遗传算法随机共振与模糊支持向量数据描述相结合的轴承性能退化评估方法。首先结合遗传算法,应用稳定约束条件下的自适应随机共振方法对轴承故障微弱信号进行提取,在保证收敛性的条件下得到所需的特征集;然后从得到的特征集中选取多个特征作为模糊支持向量数据描述的输入,利用训练样本得到超球体模型,进一步提出一个轴承退化综合性能评估指标。最后利用不同方法对实验数据进行评估对比验证了该方法能够更早的检测出轴承的性能退化时刻,并且能够更加形象的描述轴承性能退化过程。     

基于压缩感知与多步特征学习的轴承故障诊断

针对轴承故障诊断中产生数据量庞大,对存储和计算能力造成巨大负担的情况,提出一种基于压缩采样与多步特征提取的轴承故障诊断新方法。首先,采用压缩感知(CS)采集轴承信号;其次,使用主成分分析(PCA)和线性判别分析(LDA)串联的多步特征提取方法PLC对未重构的采集信号进行有效特征提取;最后,通过多分类的PSO-SVM算法来训练、验证和分类轴承故障。结果表明,所提方法在正常和噪声干扰的情况下都可以保证较高分类精度的同时,减少了计算时间,测量数据量更少,减少存储需求。     

无线传感与LabVIEW结合的轴承运行状况监测系统

针对现有轴承故障诊断系统中有线信号采集存在布线困难、部署成本高、可维护性差和监测范围有限等问题,设计一种可实现轴承振动信号无线采集的模块。该模块采用压电式加速度传感器采集轴承振动信号,以STM32F103RET6为主控芯片,利用ADS8344和DAC8531进行AD/DA转换,通过蓝牙技术进行无线传输。最后使用DAQ数据采集卡以及以LabVIEW为开发平台的虚拟仪器,在线监测轴承的运行状况,为轴承故障诊断提供了一种新思路。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于PCI总线的六通道高速并行超声信号采集卡的研制

设计并实现了一种基于PCI总线的六通道60MHz高速并行数据采集系统。通过并行采集、分时传送的方法，实现了六通道信号的同时采集和数据存储。介绍了采集卡的总体设计、各部分的工作原理、电路设计、CPLD及其程序设计，并对抗干扰等多通道高速信号采集系统中的相关问题进行了深入探讨。     

基于改进Niblack算法的轴承滚子表面缺陷检测

为了提高轴承滚子表面缺陷检测的效率和准确率,设计了一套图像采集装置,采用背光源在轴承滚子侧面打光的方式,获取缺陷区域较明显的图像,克服传统光源照射方式的局限性;针对采集到图像包含无用的背景区域,首先使用阈值分割方法将轴承滚子区域从原始图像中提取出来;然后根据无缺陷轴承滚子图像沿垂直方向灰度值基本保持不变特点,采用改进的Niblack算法对轴承滚子表面图像进行处理,分割出缺陷区域。实验表明,该方法不仅可以有效的检测出轴承滚子的各类缺陷;且在检测效率和精度上优于传统阈值分割算法。     

超重力场条件下静压轴承油膜承载性能研究

结合某超重力场下应用液压缸的运动要求,为实现液压缸的高频激振,设计了一种四油腔对称等面积径向静压轴承,阐述了静压轴承的工作原理,计算了静压轴承中油膜的承载能力,并通过拟合获得了油膜的材料参数,仿真分析了油膜的应力应变。结果表明:采用静压支承可以满足液压缸的运动和承载要求,为超重力场下液压缸支承结构的设计提供了一种方法。     

薄板超深拉伸模设计

分析了某重型汽车地板通道内罩的冲压成形工艺流程,介绍了相关工艺造型和评估工艺造型的手段和方法。论述了利用CAE软件快速进行工艺造型和评估方法以及超深拉伸模结构特点和工作过程,通过控制压料面和工艺补充造型形状以及调整拉伸筋高度、宽度、R圆角大小来调节和控制模面上各部位的材料流动快慢及材料流入量的多少,实现了超深拉伸制件的冲压生产,成功解决了冷冲压领域薄板料超深拉伸容易开裂和起皱的两大难题。该模具结构紧凑,操作方便,保证了超深拉伸制件的成形质量,满足了该地板通道内罩的批量冲压生产,提高了生产效率,降低了生产成本。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

基于ARM和CPLD的振动信号采集系统设计

设计用于多通道信息融合的振动数据采集系统.基于ARM微处理器SC32442B和可编程逻辑器件EPM7256AE构建系统硬件平台;介绍数据采集过程和时序,设计数据采集驱动和应用程序.该采集仪具有4个模拟量输入通道,每路信号在采集电路上进行交流和直流量的分离,采集仪内部具有8路AD转换通道;实现了多路振动信号的同步采样,有效地解决了同源信息融合时多路数据的同步问题,提高故障诊断的可靠性和准确性.设计的采集系统已经成功应用在故障诊断仪器产品中.     

等通道转角挤压实验模具设计

介绍了等通道转角挤压实验模具的设计 ,利用该模具可以在实验室制备具有超细尺度晶粒的块状材料 ,是实现晶粒超细化的一种新方法。     

基于CEEMDAN-FastICA的滚动轴承故障特征提取

针对轴承早期故障信号微弱、故障特征难以提取的问题,提出一种将完备集合经验模态分解(CEEMDAN)与快速独立分量分析(FastICA)相结合的故障特征提取方法.该方法首先利用CEEMDAN将轴承故障信号进行分解,得到一系列模态分量(IMF);然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用FastICA...