航空发动机主轴滚动轴承的技术进展

简述航空发动机主轴滚动轴承的国内外发展概况,指出需要解决与发展的一些设计分析技术,提出以高DN值(2.5～3)×106主轴轴承为预研重点.     

航空发动机整机振动中的不平衡-不对中-碰摩耦合故障研究

针对航空发动机整机振动分析,建立了含不平衡-不对中-碰摩耦合故障的转子-滚动轴承-机匣耦合动力学模型.在耦合模型中,考虑了机匣运动,同时,充分考虑了滚动轴承间隙、非线性赫兹接触以及变柔性VC(varying compliance)等非线性因素;在耦合故障中,建立了不平衡、不对中和碰摩故障模型.运用数值积分方法获取了系统响应,研究耦合故障特征和规律.仿真计算分析表明了该模型的正确有效性.      

Alford力和滚动轴承对轴流压缩机转子系统动力特性和稳定性的影响

 研究叶尖气隙和滚动轴承共同作用下轴流压缩机的非线性动力特性及稳定性。采用有限元法和非线性滚动轴承模型,建立压缩机转子系统动力学模型,其中转子旋转时非均匀分布叶尖气隙引起的气动失稳力(即Alford力)根据已有实验数据和计算模型求得。通过计算分析发现叶尖气隙和滚动轴承分别激起系统的反进动和正进动共振频率,其共同作用造成压缩机转子系统的失稳,很好地解释了已有实验中出现的失稳现象。表明滚动轴承反力和Alford力的共同作用对压缩机转子系统的动力性能和稳定性有显著影响。     

滚动轴承振动与噪声关系的灰色研究

以灰色系统理论为基础,通过实验,研究6201和6203轴承振动与噪声的关系。振动用加速度有效值描述,噪声以声压级表示。实验数据处理结果表明,轴承振动与噪声的关系不明显,并具有很大的不确定性。因此,不宜用轴承的振动代替轴承的噪声,应单独研究轴承的噪声问题,制订轴承噪声标准和相应的工艺标准。      

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。     

振动分析技术在滚动轴承故障诊断中的应用

介绍了滚动轴承的故障原因、振动类型和故障特征及其诊断方法,并通过实例,对滚动轴承某一故障的特征、原因及分析方法进行了描述.     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于混沌理论的滚动轴承振动信号融合模型预测

提出融合算法模型,在混沌理论的基础上对滚动轴承振动信号进行预测。基于相图法、最大Lyapunov指数法和关联维数法对滚动轴承振动信号进行混沌判别,证明其混沌性。以预测值和真值间差值范数最小为目标导向优化出Kriging模型、最小二乘支持向量机(LSSVM)模型和极端学习机(ELM)模型的权重,加权法构建融合算法模型。相空间重构法构建滚动轴承振动信号预测的训练样本,并对融合模型、Kriging模型、LSSVM模型和ELM模型进行训练,训练好的模型用于振动轴承振动信号混沌预测。以案例1和案例2共两个实验的滚动轴承振动信号为对象进行验证,两案例的最大Lyapunov指数大于0,从而判断这两个案例的轴承振动信号呈现混沌特性。另外,从方均误差、方均根误差和平均绝对误差指标来评价,融合算法模型的指标值均小于单一模型算法,融合算法模型的预测精度优于单一模型算法。     

基于局部均值分解和峭度图的滚动轴承包络分析方法

提出了基于局部均值分解(local mean decomposition,LMD)和峭度图(kurtogram)的滚动轴承包络分析方法.该方法中,原始滚动轴承故障振动信号通过LMD进行自适应的频率成分分离和初步降噪,包络分析中带通滤波器的参数通过峭度图客观地提供,从而提高滚动轴承包络分析的准确度.通过对滚动轴承仿真信号以及实验信号的分析,结果表明:在低信噪比情况下,LMD可以自适应分离出滚动轴承的固有振动成分,峭度图可以自动确定包络分析中带通滤波器的参数,与传统包络分析比较,所提方法能更加清晰准确地提取滚动轴承的故障特征.      

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。