小功率四冲程柴油机的轴承润滑及其润滑油净化

从柴油机轴承润滑机理分析,认为正常维护和正确使用前提下,小功率四冲程柴油机主轴承、曲柄销轴承和活塞销轴承超常磨损,主要原因是润滑油净化不良,提出针对性防范措施。     

超精磨削油石的磨削性能试验研究

无心超精磨削技术是提高滚动轴承的圆柱滚子零件表面质量的主要技术之一，根据生产的要求，对影响油石的磨削性能的因素进行试验，为超精磨削加工提供参考数据选择的依据。     

现代摩托车用电喷系统的基本结构、功用与控制模式(2)

b)分组喷射的控制图8是雅马哈YFIS电喷系统,采用的是分组喷射控制电路,图9是雅马哈YFIS分组喷射正时图。它是把四缸发动机的4个喷油器分成两组,电脑分组控制喷油器,两组喷油器轮流交替喷射。发动机曲轴每转1圈(360°),只有一组喷油器喷射;每一工作循环(720°)中,各气缸喷油1次。     

十字轴滚针轴承损坏致使传动轴有异晌

故障现象：一辆解放CAll21型汽车，行驶中传动轴发出尖叫异响，同时当换挡时还会发出碰击声。故障检查：传动轴异响的最常见原因是万向节状况不良。声音在传动轴和驱动桥连接处最响，做好记号拆下传动轴，拧开滑动叉油封盖，把花键轴从滑动叉内拔出，取下油封、油封垫片、油封盖，用卡环钳取出万向节耳孔内的弹性挡圈，左手把传动轴的一端抬起，右手拿手锤轻敲耳根部，将滚针轴承从耳孔中震出，再将传动轴转动180度，用同样办法将另一个滚针轴承震出，取下凸缘叉，发现一面滚针已磨断，     

货车滑动轴承用接地装置的开发[日本]

为了防止轴承电蚀，在采用滚动轴承的车轴轴承上装有接地装置；但部分货车上的车轴轴承使用的是滑动轴承，由于滑动轴承与滚动轴承结构不同，所以，对货车用滑动轴承接地装置进行了研究开发（见图1）。     

换件也有讲究

最近接修一辆江铃凯运,德尔福欧3柴油发动机,朋友修理厂已经检修了5天无果。先讲讲他们的维修过程。刚到朋友厂的时候,最初的症状是缺缸,发动机抖动厉害。故障码是2缸喷油器断路,4缸喷油补偿错误。断油测试时发现2缸没有任何变化,四缸倒是有点变化,于是将1缸和2缸的喷油器互换,来判断2缸喷油器的好坏,喷油器换位后,故障变成了1缸和2缸同时缺缸,抖动更严重。     

基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.     

基于MCKD的振动信号压缩感知方法

齿轮箱在状态监测和故障诊断过程中,依据传统的奈奎斯特采样定律采集到的振动信号数据量过大,且传输速度过慢。针对这些问题提出了基于最大相关峭度解卷积(MCKD)的振动信号压缩感知(CS)方法。首先对原始信号进行MCKD降噪处理,获得比原始信号更为稀疏的信号;然后利用高斯随机矩阵作为信号压缩测量中的感知矩阵,通过离散余弦变换(DCT)生成完备字典;最后结合L_1范数重构算法对原始信号进行重构。实验结果表明,在相同压缩率下,与传统的压缩感知方法相比,本文所提的方法能有效地提高重构信号的相似度。     

考虑表面粗糙度与轴瓦变形的水润滑轴承动力特性系数计算

本文在传统轴承动力学分析模型的基础上考虑了水润滑轴承轴瓦的刚度、阻尼和轴承质量以及可能存在的接触刚度、阻尼,推导了考虑表面粗糙度和轴瓦变形的扰动压力雷诺方程,对比了混合润滑模型与动力润滑模型、弹流润滑模型的轴承动力特性系数并分析其差异,研究了倾角、粗糙度等参数综合作用下水润滑轴承动力特性系数的变化规律。结果表明,最小膜厚比大于某一阈值时粗糙度增加可提高水膜动力特性系数,轴瓦变形会使动力特性系数减小,同时也会扩大使水膜刚度、阻尼获得增幅的粗糙度范围,但削弱了粗糙度对承载方向刚度、阻尼的增幅效果。此外,在承受载荷一定的条件下,粗糙轴承的动力特性系数在倾角较大时明显小于光滑轴承的对应值。     

大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.