基于高斯混合模型的滚动轴承故障预警

滚动轴承的早期故障预警一直是研究人员和相关行业关注的问题,及时发现滚动轴承的早期故障并预警有助于降低生产中因零件损坏引发的损失。在分析了主流故障预警方法后提出一种基于高斯混合模型(gaussian mixture model, GMM)的轴承故障预警方法;通过GMM对轴承的振动信号建模,描述其不同阶段的分布情况,提出一种新的基于KL散度的轴承健康指标(bearing health index based on KL divergence, BHI-KL),用来描述轴承劣化过程;利用3σ准则提取出健康指标中的异常值,实现故障预警。利用轴承寿命加速试验数据对所提方法进行验证,并通过包络谱验证其精确性。结果表明,该方法较常用的故障特征具有良好的时效性,可以实现对轴承故障进行有效预警。     

冷轧压下率对Hi-B高磁感取向硅钢初次再结晶织构的影响

模拟CSP Hi-B钢(/%:0.05C,0.20Mn,3.47Si,0.001 5S,0.007P,0.027Al,0.006 0N)窄带制造流程为25 kg真空感应炉熔炼-浇铸成40 mm×85 mm扁锭-热轧2.5 mm板-930℃常化处理-冷轧成0.6 mm(76%),0.4mm(84%),0.3 mm(88%)和0.2 mm(92%)薄板-830℃5 min初次再结晶退火。采用X-射线衍射测量技术(XRD)对初次再结品退火后的试样进行织构分析。结果表明,初次再结晶退火后,GOSS织构主要形成于次表层,有少量的GOSS织构存存于76%压下量的1/4层;随压下量的增加,α纤维织构中的{112}〈1 10〉和{001}〈110〉取向强度逐渐减弱,而γ纤维织构中的{111}〈112〉和{111}〈110〉取向强度先增强后减弱;在压下量为88%时,γ纤维织构强烈向{111}〈112〉取向集中,强度达到最大,最有利于GOSS织构的形成。