《油液信息在齒輪和滑動軸承磨損故障識別中的應用》以齒輪和滑動軸承為例，介紹了多種油液分析方法在識別零件的磨損狀態(tài)、預測零件使用壽命中的應用。全書共6章，主要包括基于磨粒信息的齒輪磨損狀態(tài)識別、基于油液綜合信息的齒輪磨損故障預測方法、滑動軸承磨損磨粒濃度預測、滑動軸承磨損壽命預測方法、油液檢測與故障診斷網(wǎng)絡服務平臺的開發(fā)與實現(xiàn)等內(nèi)容。
《油液信息在齒輪和滑動軸承磨損故障識別中的應用》可供設備維修、維護及潤滑管理等方面的技術(shù)人員閱讀；也可供高等院校機械工程專業(yè)本科生和研究生參考。
齒輪箱和轉(zhuǎn)子系統(tǒng)是機械設備中常用的基礎性部件，作為主要零件的齒輪和滑動軸承極易發(fā)生磨損，進而導致設備失效。為了準確地識別這些零件的磨損狀態(tài)，提高設備運行的可靠性，本書利用油液分析技術(shù)從多個方面對齒輪和滑動軸承的磨損狀態(tài)和故障預測進行了研究。為了將計算機和互聯(lián)網(wǎng)技術(shù)更好地應用于機械設備的故障診斷，實現(xiàn)信息融合與共享，開發(fā)了具有多功能模塊的“油液檢測與故障診斷網(wǎng)絡服務平臺”，擴大了該技術(shù)的服務面，提高了機械設備油液診斷技術(shù)的效率和智能化水平。
針對不同運行時間下齒輪磨損狀態(tài)的識別，研究了基于磨粒鐵譜信息的齒輪磨損狀態(tài)識別方法。首先，對鐵譜圖進行圖像技術(shù)，獲得齒輪箱齒輪從磨合到劇烈磨損階段潤滑油中磨粒的種類及變化趨勢，通過定性分析識別了齒輪不同運行時間下的磨損狀態(tài)。其次，運用潤滑油磨粒分析儀，得到油液中大、中、小磨粒的定量參數(shù)，分別利用鐵譜定量分析技術(shù)和形式磨損指數(shù)兩種方法對齒輪不同運行時間下的磨損狀態(tài)進行了識別。齒輪箱油液的黏度、酸值、水分和金屬磨粒濃度攜帶了大量的齒輪故障信息，為了充分利用這4個指標值實現(xiàn)對齒輪故障的精準預測，本書提出了基于偏最小二乘回歸的齒輪磨損故障預測方法，建立了油液的黏度、酸值、水分與油液中所含金屬磨粒濃度的數(shù)學模型。預測結(jié)果顯示，運用該方法可以快速地判斷齒輪的磨損狀態(tài)和故障信息，是對齒輪進行故障診斷和預測的一種有效的方法。
扭矩激勵下轉(zhuǎn)子系統(tǒng)滑動軸承磨損磨粒濃度隨時間不斷變化，本書選取最小二乘支持向量機回歸預測、灰色預測及指數(shù)平滑法預測滑動軸承磨損磨粒濃度變化規(guī)律，采用一種基于IOWGA算子的組合預測方法，建立了預測轉(zhuǎn)子系統(tǒng)滑動軸承磨損磨粒濃度的組合預測模型及其評價指標體系。實例結(jié)果表明，基于IOWGA算子的組合預測模型的預測精度及預測效果明顯優(yōu)于其他3種單項預測法，有效地彌補了單項預測模型的不足，是預測潤滑油中磨粒濃度的一種有效方法。本書還系統(tǒng)分析了轉(zhuǎn)子系統(tǒng)滑動軸承磨損及壽命的影響因素，研究了扭矩激勵及轉(zhuǎn)速對轉(zhuǎn)子系統(tǒng)滑動軸承磨損壽命的影響，并通過轉(zhuǎn)子試驗臺進行了驗證。在經(jīng)典Ar-chard磨損模型的基礎上，提出一種改進的Archard磨損模型，測算出滑動軸承磨損率與扭矩激勵及轉(zhuǎn)速的關(guān)系，建立轉(zhuǎn)子系統(tǒng)滑動軸承磨損壽命預測模型，為轉(zhuǎn)子系統(tǒng)滑動軸承維修與更換提供了參考依據(jù)。
1 緒論
1．1 研究背景及意義
1．2 摩擦磨損理論
1．2．1 摩擦理論
1．2．2 磨損理論
1．3 油液分析常用技術(shù)
1．3．1 理化指標分析技術(shù)
1．3．2 鐵譜分析技術(shù)
1．3．3 光譜分析技術(shù)
1．3．4 顆粒計數(shù)分析
1．4 國內(nèi)外研究動態(tài)
1．4．1 油液性能與設備磨損的關(guān)系
1．4．2 油液數(shù)據(jù)的分析處理技術(shù)
1．4．3 滑動軸承磨損與壽命預測
1．4．4 油液分析技術(shù)的智能化
1．5 主要研究內(nèi)容
2 基于磨粒信息的齒輪磨損狀態(tài)識別
2．1 鐵譜數(shù)據(jù)的獲取
2．1．1 取樣時間
2．1．2 制譜
2．2 基于鐵譜定性分析的齒輪磨損狀態(tài)識別
2．2．1 磨粒的特征識別
2．2．2 鐵譜圖像的預處理
2．2．3 齒輪磨損狀態(tài)的識別
2．3 基于鐵譜定量分析的齒輪磨損狀態(tài)識別
2．3．1 鐵譜定量分析參數(shù)
2．3．2 鐵譜定量分析參數(shù)的獲取
2．3．3 鐵譜定量分析參數(shù)正態(tài)分布檢驗
2．3．4 齒輪磨損狀態(tài)的識別
2．4 基于形式磨損指數(shù)的齒輪磨損狀態(tài)識別
2．4．1 形式磨損指數(shù)的計算
2．4．2 形式磨損指數(shù)定量評估流程
2．4．3 齒輪磨損狀態(tài)的識別
2．5 小結(jié)
3 基于油液綜合信息的齒輪磨損故障預測方法
3．1 基于偏最小二乘回歸分析的齒輪故障預測
3．1．1 偏最小二乘回歸分析簡介
3．1．2 偏最小二乘回歸分析建模方法
3．1．3 偏最小二乘回歸的算法步驟
3．1．4 齒輪故障預測結(jié)果分析
3．2 基于主成分分析與BP神經(jīng)網(wǎng)絡的油液分析方法
3．2．1 主成分分析理論
3．2．2 BP神經(jīng)網(wǎng)絡理論
3．2．3 主成分與BP神經(jīng)網(wǎng)絡油液分析方法應用
3．3 小結(jié)
4 滑動軸承磨損磨粒濃度預測
4．1 預測理論
4．1．1 預測的基本原則
4．1．2 預測的基本步驟
4．2 試驗
4．2．1 轉(zhuǎn)子試驗臺
4．2．2 取樣
4．2．3 分析式鐵譜儀
4．2．4 滑動軸承磨損量
4．3 預測方法的選擇
4．3．1 指數(shù)平滑法
4．3．2 灰色預測方法
4．3．3 LS-SVM預測方法
4．3．4 基于IOWGA算子的組合預測模型
4．4 不同預測方法的試驗對比
4．4．1 三次指數(shù)平滑模型
4．4．2 GM（1，1）模型
4．4．3 LS-SVM模型
4．4．4 基于IOWGA算子的組合預測模型
4．5 預測結(jié)果分析
4．5．1 預測結(jié)果分析
4．5．2 評價指標體系
4．6 小結(jié)
5 滑動軸承磨損壽命預測方法
5．1 滑動軸承磨損及影響因素
5．1．1 滑動軸承磨損過程
5．1．2 滑動軸承磨損影響因素
5．2 滑動軸承磨損壽命試驗分析
5．3 改進的Archard磨損模型
5．4 磨損量計算結(jié)果
5．5 磨損壽命預測
5．5．1 滑動軸承的磨損閾值
5．5．2 滑動軸承壽命預測模型
5．6 小結(jié)
6 油液檢測與故障診斷網(wǎng)絡服務平臺的開發(fā)與實現(xiàn)
6．1 系統(tǒng)平臺的總體設計
6．1．1 架構(gòu)設計
6．1．2 功能設計
6．1．3 開發(fā)環(huán)境選擇
6．1．4 系統(tǒng)平臺的發(fā)布
6．2 平臺整體框架的實現(xiàn)
6．2．1 平臺網(wǎng)站的搭建
6．2．2 平臺類的建立
6．2．3 平臺界面布局設計
6．3 平臺用戶功能模塊的實現(xiàn)
6．3．1 登錄注冊模塊的實現(xiàn)
6．3．2 用戶學習模塊的實現(xiàn)
6．3．3 用戶服務模塊的實現(xiàn)
6．3．4 用戶聯(lián)系模塊的實現(xiàn)
6．4 平臺管理員功能模塊的實現(xiàn)
6．4．1 設備管理模塊的實現(xiàn)
6．4．2 報告管理模塊的實現(xiàn)
6．4．3 故障診斷模塊的實現(xiàn)
6．5 網(wǎng)絡平臺的測試與應用
6．5．1 平臺測試
6．5．2 平臺應用
6．6 小結(jié)
參考文獻
書單推薦
