铁路货车热轴故障的原因分析及防范措施

通过近几年对铁路货车大规模的改造,货车轴承已基本实现了滚动化,所以滚动轴承故障已成为影响铁路运输畅通和安全生产的关键因素。因此正确分析和判断处理列车队中发生的滚动轴承故障,减少货车中途停甩,防止燃、切轴事故的发生是车辆段的重要职责。本文结合自己的现场经验,对铁路货车热轴故障进行简单的分析,并提出几点防范措施。     

铁路货车车辆滚动轴承运用中的故障分析及措施

车辆由滑动轴承发展到滚动轴承,不仅增加了铁路运输的经济效益和社会效益,同时也增大了运输的安全性。车辆装用滚动轴承后,列车牵引重量、列车运行速度均有大幅度提高,车辆检修周期和检修技术手段也有提高,重要的是大幅度降低了燃轴事故的发生。分析滚动轴承故障产生的原因及危害,概括总结滚动轴承运用中发现的主要问题,从日常维护、检修环节上控制货车滚动轴承故障的产生,确保行车安全。     

货车滚动轴承热轴故障分析及解决措施

根据货车滚动轴承热轴故障发生情况的变化,通过对货车运用中热轴故障的跟踪检查,对故障发生原因进行了分析,并根据现场调查及处理中找出的原因制定措施,严防因滚动轴承一些零部件发生磨耗、松弛、变形、锈蚀、裂损等故障和转向架、轮对不良造成热轴影响运输秩序,以减少货车途停和发生事故对运输秩序的干扰。     

铁路货车滚动轴承热轴故障分析判断及防范控制

滚动轴承是铁路货车走行部重要的组成部分,其运用品质的好坏直接关系到车辆运行安全.近年来,随着铁路货车向快速重载方向发展,滚动轴承热轴故障也呈上升趋势,危及行车安全,同时干扰正常的运输秩序.本论述在分析热轴故障信息的基础上,从制造、检修、注油、储运、压装、使用各环节,对铁路货车滚动轴承热轴故障产生的机理和原因进行了深入细致的分析,并有针对性地提出了防范对策和控制措施.     

滚动轴承故障振动模型及其应用研究

建立了滚动轴承外环、内环和滚动体存在局部故障的振动模型，模型综合考虑了滚动轴承的几何尺寸、轴的转速、轴承静态载荷分布、振动传递函数和故障点位置的影响．在自行火炮实车上进行了一系列变速箱滚动轴承故障试验，试验结果验证了滚动轴承故障振动模型的有效性     

TLC—电子热轴判别机

TLC-电子热轴判别机是列车运行时检查车辆热轴故障的我国第一台专用电子计算机。目前,铁路货物列车极大部份采用滑动轴承,车辆烧轴,成为车辆部门二大惯性事故(制动、燃轴)之一。长期来,车辆燃轴的判别,均在列车停站时,用人工手摸轴箱温度高低而定。为了改变这一落后面貌,在省电办的大力支持下,成立了由杭州大学、余姚无线电厂和杭州铁路分局参加的三结合会战小组,于一九七五年五月开始研制。经过半年多努力,至一九七     

滚动轴承故障振动模型及其应用研究

建立了滚动轴承外环，内环和滚动体存在局部故障和振动模型，模型综合考虑了滚动轴承的几何尺寸、轴的转速、轴承静态载荷分布，振动传递函数和故障点位置的影响，在自行火炮实车上进行了一系列变速箱滚动轴承故障诊断，试验结果验证了滚动轴承故障振动模型的有效性。     

解决货车低级修程热轴问题的几点思考

燃轴、切轴为铁路货车部门的三大惯性事故之首，已引起车辆工作者的高度重视。货车定检热轴率已成为考核车辆部门工作好坏的重要质量标志，更加引起了人们的极大关注。经过几年来的调研，人们普遍认为，控制热轴发生的关键在于低级修程的质量状况。按照我国目前实行的货车检修体制，低级修程的承做次数明显多于高级修程，相比之下，低级修程的热轴矛盾比较突出，作为承做低级修程的车辆站修所，由于受客观条件的限制，使得一些影响热轴的不利因素难以从根本上得到清除，难免存在一些隐患。通过对热轴率的对比分析看出，车辆部门三级修程的热…     

浅谈铁路客车热轴故障及改造措施

探讨了铁路客车滚动轴承热轴的原因并提出了检查处理的方法及改造措施。     

基于大涡模拟的火源释热率与轰燃时间关系的回归分析

轰燃是一类特殊火灾现象,危害很大。影响轰燃的因素很多,其中火源是重要因素之一。利用FDS5分析了火源释热率对室内轰燃的影响情况,并用SPSS对火源释热率与轰燃时间之间的关系进行了回归分析。     

滚动轴承实时监测方法的探讨

本文针对工业生产中滚动轴承时常发生故障的问题,论述了七种有效地滚动轴承的实时监测方法。并且对各种监测方法的原理、操作流程和适用范围进行了综述,为滚动轴承的实时监测的选择提供了参考。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于双自适应滑动时间窗滚动轴承故障预测模型

针对传统方法和基于神经网络方法在滚动轴承故障预测中存在的问题,提出一种双自适应滑动时间窗故障预测模型。首先,通过设置能够去除相关性的状态估计非线性算子,将滚动轴承振动信号映射为能够表征其退化状态的故障特征—故障程度指标DR。其次,以损失函数为判据,设置模型参数自适应更新机制,以及建立能够自适应选取数据长度的滑动时间窗口。最后,通过西安交通大学发布的滚动轴承全寿命周期数据,模拟实际中突发性故障和渐发性故障综合作用下的故障发生情况,验证了所提出的故障预测模型的有效性。实验结果表明,提出的预测模型能够准确判断滚动轴承退化阶段的开始时刻和故障时刻,真实反映滚动轴承性能退化的趋势,预测误差仅为0.068%,预测时间仅占2次故障间隔时间的1.385%,满足复杂工况下滚动轴承故障预测的需求。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

滚动轴承故障诊断技术的研究

对滚动轴承进行故障诊断能够及时发现故障信息,减小事故发生几率,延长机器寿命,具有较高的现实意义。本文介绍了滚动轴承故障诊断方法,重点综述了振动分析法的发展现状与趋势,并指出了目前滚动轴承故障诊断所存在的主要问题。     

基于改进动态偏最小二乘法故障检测方法

目的 针对滚动轴承早期故障的特征信号微弱,在实际运转中由于数据具有时序相关性,使得滚动轴承早期阶段的故障特征提取难度增大等问题,提出一种基于深度分解理论的改进动态偏最小二乘法(DeepDPLS)的滚动轴承早期故障检测方法。方法 首先选择时滞参数使原始数据矩阵形成动态增广矩阵,确定深度分解的阶数;再应用深度分解理论得到分解生成的各个子空间;最后用偏最小二乘法(PLS)计算各个子空间的统计量和控制限,通过将每一个子空间的统计量与其对应的控制限进行比较来判别系统是否发生故障。结果 提出的DeepDPLS与PLS及其相关方法相比,极大地提高了滚动轴承的早期故障检测率;与DeepPLS相比,在一阶分解时故障检测率可达到100%,建立的模型更加精确,能更早地检测出滚动轴承的早期故障。结论 笔者提出的基于DeepDPLS的检测方法对于滚动轴承的早期故障检测是可行、有效的。     

小波变换与滚动轴承振动的故障诊断方法研究

简要综合介绍了滚动轴承振动及故障诊断的方法及小波变换在滚动轴承故障特征提取中的应用.通过对滚动轴承故障信号的分析表明,该方法可以分析出滚动轴承振动的故障信号,确定轴承振动的故障部位.     

滚动轴承状态监测与早期故障诊断系统研究与设计

针对滚动轴承状态监测与早期故障诊断困难的问题,从滚动轴承的结构组成和工作机理出发,基于LabVIEW设计了具有模块化结构的在线监测-离线诊断监测系统.首先在线监测振动信号的时域指标,其次基于经验模态分解(Empirical mode decomposition,EMD)和包络谱分析确定振动信号有效分量并从中提取故障特征,离线诊断出滚动轴承的故障类型.最后,通过实验验证系统的可行性.实验结果表明该监测系统能够快速便捷地获取滚动轴承状态参数,同时准确可靠地进行故障识别,能够满足滚动轴承状态可视化监测和早期故障识别的要求.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.