首页期刊导航|轴承
期刊信息/Journal information
轴承
轴承

朱学骏

月刊

1000-3762

zczzs@chinabearing.com.cn

0379-64881567

471039

河南省洛阳市吉林路

轴承/Journal Bearing北大核心CSTPCD
查看更多>>本刊是中国惟一国内外发行的轴承科技及其应用期刊，创刊于1958年，中文核心期刊，科技论文统计用刊，美国工程索引(EI)收录用刊，《中国学术期刊(光盘版)》收录用刊。曾获机械工业部科技成果二等奖，全国科技期刊评比三等奖。在全国机械系统科技期刊评比中连续七次获奖。轴承杂志立足轴承制造业，并涵盖了轴承设计、加工、试验及应用等方面。刊载论文坚持技术超前和实用相结合。目前开辟的栏目有：产品设计与应用，工艺与装备，测量与仪器，试验与分析，计算机实用技术，企业管理，专题综述，国外轴承科技等。主要读者对象：轴承及其相关行业中企事业单位的科研、技术人员；大中专院校相关专业的师生。
正式出版
收录年代

    添加少量锌元素对SnSb8Cu4巴氏合金性能的影响

    戴俊豪王太信
    79-84页
    查看更多>>摘要：研究了质量分数为0.83%的Zn元素对SnSb8Cu4巴氏合金显微组织、硬度及抗高温蠕变性能的影响,结果表明:加入Zn元素后,SnSb8Cu4基体中析出了大量细小弥散的SnSb颗粒,且倾向于沿Sn基体晶界析出,金属间化合物Cu6Sn5和SnSb颗粒的总体积分数从14.9%增加到21.2%;室温下布氏硬度的增加不明显,但100℃下的抗蠕变能力显著提高.Zn元素的加入降低了Sb在Sn基体中的固溶度,使更多的SnSb颗粒沿晶界析出,对蠕变变形过程中晶界滑动起到钉扎作用,从而提高了抗蠕变能力.稳态蠕变阶段,压痕蠕变速率与压痕应力呈指数关系,根据实测数据推导出SnSb8Cu4和SnSb8Cu4Zn的压痕应力指数分别为2.95和2.73.

    滑动轴承锡基巴氏合金显微组织硬度蠕变试验

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于EEMD与CNN-BiLSTM的噪声环境下滚动轴承故障诊断方法

    李军星徐行贾现召邱明...
    85-92页
    查看更多>>摘要：针对滚动轴承在噪声环境中发生故障时,传统深度神经网络容易出现特征提取不充分,过拟合,泛化能力不足的问题,提出一种集成经验模态分解(EEMD)与卷积神经网络-双向长短时记忆网络(CNN-BiLSTM)的故障诊断方法.在信号预处理阶段使用EEMD将噪声环境下的振动信号分解为一系列固有模态函数,降低噪声的影响;在CNN部分的第1层使用大卷积核与多分支结构获得不同的感受野,在每一个分支中随机丢弃一些数据增强模型的抗干扰能力,从而提取到更具泛化能力的多样化特征信息,后续部分使用残差结构,以免网络较深时发生梯度消失的现象,解决深层次网络退化问题;在BiLSTM部分使用2个并行的分支结构,用于增强模型对时序信息的利用,从而提高模型在不同工况和噪声环境下的准确率.使用凯斯西储大学轴承数据集和西安交通大学轴承数据集对所提方法进行验证,并与其他深度学习方法和传统机器学习方法进行对比,结果表明本文方法在多种工况和噪声环境下均取得了优异的故障诊断性能.

    滚动轴承故障诊断集成经验模态分解卷积神经网络双向长短时记忆神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于CNN-SN和无监督域适应的滚动轴承故障诊断

    陈攀袁逸萍马军岩樊盼盼...
    93-101页
    查看更多>>摘要：针对滚动轴承在不同工况下振动数据分布差异大且难以获取所有故障标记样本,致使故障诊断模型泛化能力差的问题,提出了一种基于卷积神经网络-收缩网络(CNN-SN)和无监督域适应的变工况故障诊断方法.首先,构建领域共享的一维卷积神经网络以提取振动信号中的故障特征,同时引入软阈值学习机制构建局部特征收缩网络,缓解噪声对故障特征提取的影响;然后,对不同工况样本提取的故障特征引入最大均值差异的正则化约束,实现源域与目标域特征的全局对齐;最后,对无标签的目标工况样本,采用最大最小化分类器差异的对抗学习策略实现不同域特征更细粒度的子领域对齐.采用江南大学轴承数据集对所提方法进行试验验证,结果表明所提方法表现出良好的领域适配能力,具有较高的跨域故障诊断精度.

    滚动轴承故障诊断变工况迁移学习无监督域适应

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于St-DPMM的带式输送机托辊轴承声信号故障预警方法

    孔华永高静柳跃侯继洁...
    102-110页
    查看更多>>摘要：针对带式输送机托辊轴承运行过程中受外部冲击复杂多变,其声信号由多个激励源信号叠加而成,受噪声干扰严重,采用传统的单一特征预警方法难以有效实现故障预警的问题,提出一种基于狄利克雷过程t分布混合模型(St-DPMM)的带式输送机托辊轴承故障预警方法.首先,采集托辊轴承声信号,提取时频域特征构建高维特征空间;其次,训练St-DPMM拟合托辊轴承声信号的统计分布,利用KL散度逼近方法计算基准混合模型与正常状态模型间的距离;最后,基于3σ准则自学习预警阈值,计算基准模型与实时模型间的差异度,并与预警阈值比较实现故障预警.试验结果表明,所提方法预警的准确率、稳定性和时效性较对比方法有明显优势,能够有效实现带式输送机托辊轴承的故障预警.

    滚动轴承带式输送机预警狄利克雷分布信号处理

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    广告索引

    110页
      原文链接:
    • NETL
    • NSTL
    • 万方数据