基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。     

优化形态学滤波在高速列车轴承故障诊断中的应用

针对传统形态学滤波方法在提取高速列车轴箱轴承故障特征时过于依赖先验知识,结构元素相关参数(长度L和高度h)未结合信号特征做自适应选取的问题,文章在数学形态学滤波(Mathematical Filter, MF)、布谷鸟算法(Cuckoo Search Algorithm, CS)、实际工程应用方面做了深入研究。通过布谷鸟算法对结构元素的长度和高度进行自适应寻优,然后使用最优结构元素对信号进行处理,提取出信号中的冲击成分和故障特征,对比传统的解调方法可以发现该方法更准确、更快速。     

滚动轴承过早失效的原因

滚动轴承在使用过程中经常出现使用寿命远远小于设计寿命的情况,其原因有疲劳剥落、过量的永久变形、磨损、噪音和污染等原因.作者认为,防止轴承过早失效的最好办法是尽量避免上述种种不利因素和促成这些因素的条件.     

基于深度学习的船舶滚动轴承状态监测技术研究

滚动轴承作为一种关键零件已被广泛应用于船舶的减速齿轮箱、船用泵、空压机、小型马达等重要设备中,因此,对船用滚动轴承开展状态监测技术研究对保证船舶可靠性、安全性具有重要意义。随着传感器的微型化、数字化、智能化、多功能化、系统化和网络化,各类传感器（如光敏、声敏、气敏、压敏、温敏、磁敏等传感器）被普遍应用于船舶设备的监测中,采集大量的设备健康状态数据。本文对轴承状态数据进行分析,通过深度神经网络自动学习滚动轴承监测数据中的故障特征,研究数据驱动下船用滚动轴承的状态监测关键技术。     

基于EMD和包络分析的城轨列车滚动轴承故障诊断

为了准确识别城轨列车滚动轴承故障类型,研究了一种基于经验模态分解（EMD,Empirical Mode Decomposition）和包络分析的滚动轴承故障诊断方法。对滚动轴承的振动信号进行EMD分解,得到若干个本征模态函数（IMF,Intrinsic Mode Function）之和,对包含主要信息成分的IMF分量作包络分析,根据包络谱的故障特征频率判断滚动轴承故障类型。实验结果表明,该方法能够准确有效地识别城轨列车滚动轴承的故障类型。     

认真识别滚动轴承标志板减少误判

本文从调查研究入手，总结出滚动轴承标志板刻打较乱的８种基本情况，提出了防止误判的“六看一确认”的检查方法。     

铁道货车无轴箱滚动轴承故障诊断中特征提取和分类方法的探讨

本文从滚动轴承故障诊断这一主题出发，讨论最大熵谱估计在滚动轴承状态特征提取中的应用和由统计模式识别来实现分类的方法。     

滚动轴承车辆（货车）起动阻力试验及研究

车辆起动阻力是列车牵引计算、车站站坪坡度设计的基本参数和重要依据。本文简要分析影响车辆起动阻力的主要因素，及以往测试起动阻力的不同目的、取得的主要成效和存在的问题，着重从测试样本的数量、测试精度、测试环境、测试方法及测试结果的数据处理等方面进行了系统分析和研究。本次试验十分重视测试方法的科学性和合理性，对于若干可能影响试验结果正确性的不确定性因素尽可能排除，或将其影响降低到最低程度，从而大大增加了测试结果的正确性、可靠性和使用价值。试验的结论对于合理确定站坪坡度，有效防止车辆溜逸，科学设计驼峰间隔制动位坡度和正确计算调机推送车列的起动条件具有十分重要的意义，可以作为这些方面计算的科学依据。