针对高速密封轴承防尘性能试验的需求,设计了一种高速密封轴承防尘性能试验机。介绍了试验机的主要技术参数、功能原理、试验机结构及测控系统。试验表明：该试验机运行稳定、性能可靠,能够满足高速密封轴承防尘性能的试验要求。

用高强度的碳纤维为材料,以实现轴承滚子切入式无心磨自动上下料装置高刚性轻量化直线运动模组的结构设计。并通过CAE辅助软件,对理论设计运动模组中重要零部件的负载能力进行分析,所得到分析结果用于优化设计。最终,分析的理论成果及结构可从试验上得到验证,同时试验得出的结果也为CAE分析提供了修正的数据和依据。

针对滚动轴承振动信号故障特征提取依赖于专家经验引起的不确定性影响识别准确率的问题,提出一种基于多参数优化深度置信网络的滚动轴承外圈损伤程度识别方法。首先,考虑外圈滚道损伤分布弧长的变化对滚动轴承动力学特性的影响,建立五自由度滚动轴承损伤动力学模型,仿真求解外圈不同损伤程度的滚动轴承响应信号;然后,基于模拟退火算法优化DBN的多个结构参数,利用仿真数据的原始时域波形直接进行损伤程度的识别。不同信噪比外圈损伤仿真数据与齿轮箱轴承试验数据的分析结果表明,该方法无需先验知识提取外圈损伤特征,可直接利用轴承原始时域数据自学习地提取不同损伤程度的特征信息,且识别准确性和稳定性更高,具有工程应用价值。

为了解决堆叠自编码网络在参数较多时的梯度弥散问题,对网络每层的编码值进行了统计分析,发现大部分分布于激活函数的饱和区,这直接导致了神经元权值梯度的消失。为此,引入了一种标准化策略,将神经元按照样本进行归一化,然后引入两个待学习参数进行缩放和平移,最后通过激活函数输出到下一级神经元。运用带标准化的堆叠自编码网络进行滚动轴承故障诊断,将振动信号的频谱输入到网络中。与普通堆叠自编码网络相比,该标准化策略可有效地使网络编码值均匀分布,如将第一层编码值的熵从0.88bit提高到了16.29bit。带标准化的堆叠自编码网络可有效提高网络的抗噪能力和训练速度在凯斯西储大学滚动轴承数据集上,当人为添加噪声信号的信噪比为0dB时,识别正确率从16.18％提高到了100％;在实验室实测数据集上,不仅训练时间下降了37.22％,而且识别正确...

机械故障中的轴承故障具有强的非线性特征，其故障特征提取具有一定的困难，针对此问题提出了一种基于多脉冲激励法下的Volterra级数核的故障特征提取方法。通过系统的输入输出信号并建立非线性系统的Voherra级数模型，利用时域和频域的低阶核进行轴承所处状态的对比，进而分析是否处于故障状态。以美国西储大学滚动轴承故障为例来验证该算法，应用小波算法和多脉冲激励法进行对比，得出多脉冲激励法能够较为方便准确地提取轴承的故障特征。

变转速工作模式下齿轮啮合会掩盖故障轴承冲击特征,使得轴承故障特征信息微弱,针对变转速工作模式下齿轮啮合对轴承信号干扰的问题,提出了迭代广义解调齿轮信号分离的变转速滚动轴承的故障诊断方法。首先采用峰值搜索算法从包络时频谱中提取峰值啮合倍频(Instantaneous Dominant Meshing Multiply, IDMM),通过IDMM趋势线构造各广义解调函数的相位函数;其次利用迭代广义解调算法(Iterative Generalized Demodulation, IGD)分离出齿轮啮合频率及倍频信号,对剩余信号采用谱峭度算法确定由故障轴承引起的高频共振滤波参数并进行带通滤波;最后,以提取的IDMM趋势线作为轴承转频,对滤波结果进行角域重采样,根据阶次谱对滚动轴承运行状态予以判断。仿真信号和实测信号的处理结果证明该方法在无转速计设备的情况下能有效的实现变转速滚动轴承的故障诊断。

通过射流形态拍摄、液滴分布和尺寸测量及油气润滑供油量台架试验对新型导流式油气润滑喷嘴进行了优越性研究,分析了喷嘴导流体结构参数对轴承润滑效果的影响。最后将有AF涂层和未作任何处理的导流体对轴承润滑效果的影响进行对比可知,导流体材料表面能并非越小越好。

对冲压筐形保持架皱折现象进行分析,从材料、成形模具及模具设计方法角度提出改进措施,现场生产跟踪表明,解决方法非常适用于保持架生产,有效解决了保持架端部皱折问题。

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法（VMD）在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。