Что такое буксы в интернете: Заработок на буксах: что это такое, лучшие буксы для заработка в интернете

Содержание

Заработок на буксах: в интернете + без вложений

Интерес к заработку в интернете только возрастает. Многие пользователи хотят иметь дополнительный доход. Одним из наиболее простых способов получить первые деньги считается заработок на буксах.

С него как раз и начинают те, кто только осваивается во всемирной паутине и рассматривает любые варианты.

Содержание статьи

Что такое буксы

Буксы, почтовики (почтовые спонсоры), САР. Для новичков эти слова мало о чем говорят. Но по большому счету они означают одно и то же – сайты, где за просмотр рекламы и выполнение заданий платят деньги.

САР расшифровывается как система активной рекламы. Звучит красиво и профессионально. Это специально сделано для того, чтобы привлекать рекламодателей. Букс (англ. BUX) – это жаргонизм. Переводится как «бакс» – доллар. Правда, стоит сразу отметить, что далеко не все сервисы оплачивают работу в американской валюте. На большинстве сайтов начисление происходит в российских рублях. Но суть от этого не меняется.

Почтовики – это та же разновидность буксов. Первоначально эти сайты предлагали только просмотр оплачиваемых писем с рекламой, но со временем их функционал намного расширился. Появились задания и серфинг. Таким образом, почтовики превратились в полноценные САР.

Преимущества заработка на буксах

Перечислять преимущества работы в интернете, в том числе и на буксах, можно бесконечно. Те, кто уже стабильно получает доход, отмечают ряд достоинств такого рода занятости:

  • Гибкий график. Работа в удобное для пользователя время, главное сдать ее без опозданий.
  • Неограниченный доход. Вернее, он ограничен только желанием и количеством свободного времени.
  • Мобильность. Работать можно из любой точки мира, даже валяясь на пляже. Главное, чтобы был доступ в интернет.
  • Работа на дому. Особенно актуален этот пункт для мам с маленькими детьми. И малыши под присмотром, и дополнительный доход в семейный бюджет.
  • Эмоциональная стабильность. В отличие от обычной работы в оффлайне, конфликты с коллективом и начальством практически исключены.
  • Заработок на буксах без вложений. Регистрация на сайтах и доступ к заданиям бесплатные.

Каждый, кто начнет заниматься этим видом деятельности, впоследствии найдет еще много плюсов. Минус у него один – для повышения дохода нужно активно развиваться, а не зацикливаться только на одном типе работы.

Что нужно для работы на буксах

Стабильный интернет (желательно безлимитный), компьютер (ноутбук или их «меньшие братья» – гаджеты) и свободное время. А также минимальные навыки пользователя.

Гораздо сложнее с качествами, которыми должен обладать каждый фрилансер. Именно так себя называют те, кто работает удаленно, выполняя определенные задачи, и с работодателями общается только посредством интернета. По сути это вольнонаемный рабочий, но гораздо солиднее звучит слово «фрилансер».

Итак, основные качества, которые ценятся в людях этой профессии (пусть, даже если они зарабатывают на буксах и только осваивают ее азы) – терпение, усидчивость, желание учиться и оттачивать новые навыки, а также порядочность и ответственность. Со временем появится еще профессиональный подход к выполнению заданий, что очень ценится работодателем.

Правила выбора букса

Заработок на буксах, особенно в интернете привлекает многих пользователей, из-за чего этом поприще нередко встречаются недобросовестные владельцы сайтов, которые полностью или частично не выполняют своих обязательств перед исполнителями. Таким образом, у новичков формируется негативное отношение к заработку в интернете в целом, а не только на буксах.

От мошенников полностью застраховаться невозможно. Однако свести риск к минимуму несложно. Прежде всего, стоит ознакомиться со списками лучших буксов для заработка, находящихся в интернете в ТОПе. Есть достаточно много ресурсов, предоставляющих подобную информацию. Далее, перед регистрацией на понравившемся сайте следует не только почитать о нем отзывы других пользователей в интернете, но и «прошерстить» skam-листы – черные списки интернет-ресурсов. Само слово «skam» означает «обман, жульничество».

Если пользователь уже зарегистрировался на сайте, не узнав о почтовике поподробнее, выход только один – выполнить минимум действий и заказать пару раз выплату. Если деньги на счету кошелька платежной системы и блокировки аккаунта нет – все в порядке. Можно дальше работать. Тем не менее, расслабляться не стоит и периодически следует проверять отзывы. Особенно актуально это для тех, кто построил собственную реферальную сеть. Если букс начинает задерживать выплаты, снижается количество рекламы и заданий – это первый звоночек, что пора искать новую платформу. Иначе можно потерять с таким трудом наработанную сеть. Легально перетянуть ее на другую САР можно с помощью оплачиваемых заданий. Лучше потратить немного денег, чем впоследствии начинать все заново.

Виды заработка на буксах

Каждый САР старается выделиться, поэтому заработок на буксах довольно разнообразен. Лучшие буксы имеют собственную «фишку» и интуитивно понятный интерфейс, чем и привлекают как исполнителей, так и рекламодателей, хотя по большему счету заработок на них делится на три вида:

  • чтение писем;
  • серфинг сайтов;
  • выполнение заданий.

А теперь все по порядку. Рекламные письма ежедневно приходят в личный кабинет исполнителя. Желательно (но совсем не обязательно) ознакомиться с их содержанием. Суть заработка состоит в последующем переходе на сайт рекламодателя. Ссылка на сервис дается в конце письма. После клика на нее открывается сайт, на котором требуется пробыть определенное время. Обычно это – 15-30 секунд. Есть специальный таймер с обратным отсчетом. Как только время закончится, исполнитель должен подтвердить свое присутствие на сайте. Для этого возле таймера ему придется нажать на картинку или число. И все, можно переходить к просмотру следующего письма. Ничего сложного нет.

Следующий вид заработка – серфинг сайтов. Что такое серфинг в реале, знают все. Это скольжение по волне. Интернет-серфинг – это кратковременное посещение рекламируемых сайтов. То есть, то же самое скольжение, только по всемирной паутине. Серфинг бывает ручным и автоматическим. За первый вариант, естественно, платится больше.

Однако для получения вознаграждения требуется, как и в случае с письмом, требуется подтвердить пребывание на сайте.

И, наконец, задания. Наиболее прибыльный вариант заработка на буксах без вложений. Но далеко не самый простой. Тем не менее, доведя до автоматизма выполнение многоразовых заданий, можно стабильно получать неплохие деньги.

Типы заданий на буксах

На крупных САР заданий много. Они отличаются по сложности и оплате. Неопытный новичок может даже растеряться среди такого изобилия работы. Однако для начала следует просто ознакомиться с особенностями работы в каждой категории.

  • Клики. Переход на сайт, но в отличие от серфинга здесь требуется кликнуть по рекламному блоку. В одном задании бывает нужно сделать 2-3 перехода. Чтобы они засчитались, исполнителю иногда требуется сменить IP-адрес. Поэтому, если новичок не уверен, что получится, лучше не пробовать. Но это только до тех пор, пока он твердо не освоит необходимые навыки. Для подтверждения выполненной работы рекламодатели в отчете просят указать адреса страниц (ссылки), где побывал исполнитель или предоставить скрины.
  • Регистрации без активности. Смысл задания – зарегистрироваться на определенном ресурсе. Это могут быть другие буксы, почтовые ящики, приложения, игры. В качестве отчета отправляют логин, указанный при регистрации. Не стоит выполнять задание, когда рекламодатель просит еще и пароль от кабинета (если данное условие заранее не оговорено в описании задания). Больше от исполнителя ничего не требуется.
  • Регистрация с активностью. Чтобы выполнить задание мало будет ввести свои данные на предложенном ресурсе и зарегистрироваться. Необходимо либо выполнить несколько заданий, либо набрать определенную сумму и вывести ее. Таким образом, другие исполнители набирают себе рефералов и строят сеть для пассивного заработка или получения одномоментного бонуса. В отчете указывают логин.
  • Постинг и статьи. Первый вариант подразумевает регистрацию и активность в виде создания тем и написания комментариев на форумах, размещение текстов на досках объявлений и кликабельных ссылок на сторонних ресурсах.
    Второй вариант – написание статьи на заданную тему или регистрация на текстовых биржах. Для отчета рекламодатель требует скриншоты, логины или ссылки на страницы.
  • Голосования. Задание говорит само за себя. Нужно проголосовать, перейдя по ссылке. Иногда для выполнения требуется регистрация. Но чаще всего можно авторизоваться через соцсеть. В отчете указывают количество голосов до и после нажатия кнопки (сердечка). Кроме того, некоторые рекламодатели просят прислать скриншот или ответить на вопрос (например, какая фраза появилась после голосования, или какого цвета стала кнопка).
  • Загрузка файлов. Это установление приложений и скачивание программ. Для подтверждения выполнения – скрин.
  • Отзывы. В рамках задания нередко требуется пройти регистрацию. Но чаще всего нужно просто найти требуемый магазин в Гуглкартах или аналогичных ресурсах, поставить звездочки и написать максимально естественный текст. Иногда в поисковике требуется сменить местоположение.
    Для этого следует зайти в настройки и указать другой город. Для отчета отправляют скриншот с отзывом.
  • Задания в Ютубе. Просмотр видео, клики по рекламе, подписка, лайки и комментарии. Все только в рамках данного сервиса. Для отчета отправляют скриншоты и никнеймы (ники).
  • Подписки. На каналы, рассылки, уведомления и прочее. В отчете указывают логин, имя-фамилию, реже отправляют скрин.

Стоит отметить, что некоторые задания (клики и постинг) бывают многоразовыми. Их можно занести в избранные (если таковая опция предусмотрена функционалом личного кабинета или фильтром поисков заданий) и выполнять ежедневно.

Как вывести деньги

Как заработать на буксах более-менее понятно большинству пользователей. Однако как получить деньги – главный вопрос, который волнует новичков.

Сделать это несложно. Практически все САР работают с несколькими платежными системами. Поэтому достаточно быть зарегистрированным хотя бы в одной из них и указать номер кошелька в личном кабинете букса.

Остается только накопить минимальную сумму, доступную к выводу, и заказать платеж. Обычно все это делается в один клик, а сами выплаты происходят мгновенно.

Как увеличить заработок на букса

х

Заработок на буксах в сети интернет можно не только увеличить, но и сделать его почти пассивным. Правда, для этого придется приложить усилия, а в некоторых случаях и потратить немного денег. Речь идет о построении собственной реферальной сети. Человек, приглашающий людей в проект, становится реферером, а новички, зарегистрированные по его ссылке – рефералами. Вот только где взять таких людей? Способов предостаточно. Среди бесплатных вариантов стоит отметить следующие:

  • Рассылка приглашений друзьям и знакомым по электронным адресам. С такими людьми новичку в мире интернет-бизнеса проще найти общий язык и, не стесняясь, объяснить суть работы.
  • Публикация объявлений на бесплатных досках. Подобных ресурсов – море. Главное, правильно составить текст. Единственный нюанс –объявления проходят модерацию.
  • Рассылка приглашений со ссылками по соцсетям. Можно как друзьям, так и незнакомым людям. В последнем случае не стоит это делать автоматом, иначе письмо могут посчитать спамом и даже пожаловаться администрации. Опытные рекрутеры сначала стараются подружиться с человеком, выяснить его потребности и заинтересованность в данном виде заработка, и только после этого отправляют ссылку с мотивационным письмом.

Однако гораздо больше шансов построить собственную сеть с активными пользователями у тех, кто немного потратится на нее. Основные способы привлечения рефералов следующие:

  • Рассылка рекламных писем на почтовиках. Стоимость невелика и зависит от количества купленных писем и длительности показа.
  • Размещение платных заданий по регистрации (с активностью или без) на САР. Их стоимость будет зависеть не только от того, сколько пользователь готов вложить в дело, но и что именно хочет он получить: активного реферала или «мертвые души». Последние годны только для перепродажи на бирже рефералов, и то не факт, что купят.
  • Заказ серфинга на буксах. В этом случае лучше создать личный блог или сайт-одностраничник. На них разместить баннеры рекламируемого ресурса с привлекательным описанием проекта (или даже проектов, если пользователь со временем планирует строить несколько сетей). Новички будут делать переходы и знакомиться с информацией. Стоимость серфинга в принципе, как и писем, зависит от длительности пребывания пользователей и количества купленных показов.
  • Покупка рекламного места. Это может быть баннер, бегущая строчка (реклама во фрейме) и прочие блоки как на ресурсе, где планируется строить сеть, так и на других почтовиках. Стоимость такой рекламы зависит от количества дней.
  • Доска почета. На большинстве САР есть такое место, где можно разместить свою аватарку и указать рефбек (сколько процентов от своего заработка на сети реферер готов возвращать своим рефералам в качестве бонуса). Стоимость размещения на доске почета чисто символическая. Но в любой момент пользователь может потерять это место, и, чтобы вернуться, ему потребуется снова заплатить.
  • Покупка активных рефералов. На многих почтовиках есть биржа. В основном здесь распродаются сети тех, кто перестал посещать сайт, и аккаунт согласно правилам ресурса был удален. Кроме того, торгуют рефералами и те, кто не собирается строить сеть, но смог зарегистрировать новых пользователей.

Выстроить сеть реально. Только быстрее это случится, если комбинировать сразу три-четыре способа. Главное, четко просчитать, чтобы впоследствии затраты окупились. Однако есть один выход – можно не вводить деньги в интернет, а заработать их на выполнении заданий и впоследствии потратить на построение сети.

Способы повышения активности рефералов

Собрать рефералов мало, нужно регулярно поддерживать их активность и мотивировать самим строить собственную сеть. Есть много способов поощрения. Да, в этом случае требуются некоторые вложения, однако, быстро окупаются повысившимся доходом от реферальских отчислений.

  • Регулярное проведение конкурсов. Рефералам требуется либо выполнить как можно больше заданий, либо как можно больше заработать любыми доступными на сайте способами за определенный промежуток времени.
  • Фиксированные бонусы от реферера. Небольшое, но приятное поощрение. Это может быть прочтение каждых 100 писем, выполнение 100 заданий и прочее в том же духе.
  • Установление рефбека. Чем он выше, тем больше привлечет новых людей и удержит активных рефералов. Однако 80-90% отдавать своего заработка – не вариант. Что же тогда останется на развитие сети и поддержание ее активности?

А еще стоит помнить, что теплое человеческое отношение и помощь по построению сети своим рефералам стимулируют не хуже денег.

Советы для новичков

  • Если после регистрации новичок стал свободным рефералом, он может самостоятельно выбрать себе реферера и присоединиться к его команде. Только нужно внимательно отнестись к этому вопросу. Уточнить рефбек, бонусы, как часто проводятся конкурсы и какие именно. Попасть в команду можно, дав свое согласие и нажав соответствующую кнопку в личном кабинете, а также выполнив специальное задание. Многие рефереры создают их внутри проекта. Например, «переходишь по ссылке и становишься моим рефералом». После выполнения задания пользователь получает деньги.
  • Освоив основные навыки по заработку на буксах без вложений, можно параллельно зарегистрироваться еще на нескольких. Главное, чтобы эти сайты платили исправно. Получить дополнительные деньги можно благодаря выполнению соответствующих заданий на исходном сайте. Подход к этому вопросу такой же, как и в предыдущем совете. Внимательно выбирается задание, и уточняются условия. Но главное, рассчитать собственные силы. К сожалению, иногда попадаются недобросовестные рекламодатели, которые ставят заведомо невыполнимые условия, особенно если задание требуется выполнить за определенное время. Например, будущий реферер потребует получить высокий статус или сделать огромное количество заданий за пару дней. Честные рекламодатели, если и ставят подобные условия, то достойно оплачивают это задание и дают неограниченное время на выполнение.
  • После регистрации на нескольких буксах, чтобы не тратить время, можно одновременно открыть их в одном браузере и таким образом серфить или просматривать письма все сразу. Пока в одном время только начинает отсчитываться, в другом уже можно нажимать капчу. И так по кругу. Единственный нюанс – опция «активное окно». Просмотр засчитается только в том случае, если именно эта вкладка будет открыта. При попытке заглянуть в соседние, таймер останавливается.

Заработок на буксах – Специальные программы

Некоторые почтовики для удобства пользователей создают специальные программы, которые устанавливают на компьютер и сворачивают в трей. Как только появляется новое письмо, сайт для серфинга или задание, в углу экрана всплывает маленькое уведомление. Оно сигнализирует о необходимости проявления активности, например, выбрать или ввести капчу. Идеальный вариант для тех, кто постоянно находится дома.

Однако стоит помнить, что использование сторонних программ для автоматического просмотра сайтов с целью увеличения заработка запрещено и рано или поздно приведет к блокировке аккаунта администрацией ресурса с замораживанием заработанных средств на проекте.

Заработок на буксах без вложений вполне возможен, чтобы ни говорили другие пользователи. Он идеально подходит школьникам, студентам, мамам в декрете и даже активным пенсионерам. Главное, не слушать тех, кто по какой-либо причине не добился успеха, а то и вообще не пробовал получить дополнительный доход таким способом, но считает, что знает о нем все.

А на этом про заработок на буксах все. Подписывайтесь на нашу рассылку здесь и вконтакте. Потому что так вы не будете пропускать полезные материалы.

Читайте также:

Что такое буксы, и стоит ли на них зарабатывать

Для начала, разберемся с понятием, что такое буксы, какой они предлагают заработок, выгодно ли быть владельцем собственного букса.

Чем же они являются? Буксы – место в интернет-пространстве, где «заказчики» могут разместить свои задания, а «исполнители» найти и выполнить их. Например, на Сеоспринт могут быть такие задания, как поставить лайк публикации или фото, оставить комментарий, добавиться в друзья, перейти по ссылке и кликнуть по рекламе. Рекомендуем: про вход в сеоспринт и более подробный обзор читайте на VladimirBelev.ru. Задания на буксах не отличаются разнообразием и на большие заработки, обычно, здесь рассчитывать не приходится.

Откуда берется прибыль?

Владелец букса выполняет роль агента, который сводит тех, кто готов платить за задания и тех, кто готов их выполнять за оплату. На создание букса требуется много времени и средств:

  • Для разработки качественного ресурса знаний начинающего программиста не достаточно, так как сайт будет работать под большой нагрузкой;
  • Высокая конкуренция среди уже существующих буксов, затрудняет продвижение новых, малоизвестному ресурсу сложно заработать доверие заказчиков, а без них не будет ни исполнителей, ни прибыли у владельца площадки;
  • Чем выше посещаемость, тем дороже хостинг;
  • Для полноценной работы букса необходима команда модераторов, которые будут разрешать спорные ситуации, удалять задания, не соответствующие правилам и т. п. На это тоже нужны средства.

Трудностей много, но периодически все же появляются новые буксы.

Можно выделить несколько источников прибыли с буксов:

  • Реклама – это может быть, как реклама напрямую через владельца сайта, так и рекламные блоки от Яндекса и Гугла. Букс с большой посещаемостью может приносить с рекламы столько же, сколько раскрученный сайт.
  • Комиссия – обычно это процент с оплаченного здания, размер зависит от каждой площадки;
  • Узаконенные грабежи – на некоторых сервисах в правилах прописано, что при непосещении площадки определенное время, аккаунт удаляется, а все его средства переходят владельцу букса;
  • Продаже привилегий – нарастить рейтинг, получить доступ к более оплачиваемым заданиям и т.п.
  • Продажа реффералов – пользователей, которые регистрируются на ресурсе не по реферальной ссылке не так много, они особая ценность. Их могут продать на аукционе, чтобы получать прибыль с их активности. Есть также практика продажи собственных рефералов.

Сделать и раскрутить букс не достаточно, нужно еще и вывести его на прибыль, а это не всегда выходит. С ростом самого ресурса, растут и расходы на его содержание.

Заработок на буксах: стоит ли?

Если работа сервиса грамотно организована, в плюсе все:

  • Исполнители, за счет выплат с выполненных заданий;
  • Заказчики, которые получают желаемое за небольшие деньги;
  • Владельцы, за счет способов монетизации ресурса, которые были перечислены выше.

Рассмотрит моральную сторону. Некоторые странные задания, за которые берутся исполнители, могут наносить вред третьим лицам.

Например, нечистый на руку вебмастер, на сайте которого стоят рекламные блоки, может создать на буксе задание, по которому потребуется зайти на сайт и кликнуть по рекламе. При этом человек, который оплатил эту самую рекламу, ожидает, что с нее на его сайте будут продажи, а в результате, рекламный бюджет потрачен, а прибыли нет. Получается, что вебмастер и исполнитель (и) обворовывают рекламодателя.

В случае если размещается задание с просьбой поставить лайк или прокомментировать статью, добавиться в группу и т.п. Почему бы и нет? Этим никому вреда мы не наносим. Нужно прислушиваться к голосу своей совести и просто не браться за те задания, которые могут нанести вред. Также поступать и по жизни.

Как заработать на буксах и стоит ли тратить время

Автор Руслан Ошаров На чтение 4 мин Опубликовано

В этой статье я постараюсь простым языком, чтобы было понятно самым что ни на есть новичкам, рассказать, что такое буксы и как на них можно заработать, а вы уже сами решите, стоит ли тратить на это время или лучше заняться чем-то другим. Поехали!

Букс или САР (система активной рекламы), или как ещё называют такие сервисы – почтовик, это интернет площадка, где встречаются интересы работодателя и исполнителя, а букс выступает в качестве посредника и получает свой процент от заключённых сделок.

На самом деле буксы – это не совсем порядочный по отношению к другим людям вид заработка. Используют его чаще всего школьники, не особо вникающие в суть.

Я не отношу себя к школьникам, но тем не менее несколько лет назад пытался подрабатывать в буксах, и даже вышел на определённый уровень на парочке таких площадок.

То есть, имел там определённые привилегии, пока не стал понимать некоторые неприемлемые для себя вещи, связанные с принципом заработка.

  1. Принцип заработка на буксах
  2. Стоит ли тратить время в буксах

Принцип заработка на буксах

Представим, что у вас есть сайт или блог, и вы установили на нём рекламу за клики по которой получаете деньги.

То есть посетители вашего сайта, которые вам доверяют, интересуются продукцией в рекламе, переходят на сайты рекламодателей и что-нибудь покупают, или просто смотрят товар для будущих покупок. Независимо от того, купил посетитель товар или нет, вам платят деньги за переход, то есть за клик.

Это нормально и справедливо. Все три стороны получают выгоду. Рекламодатель получает заинтересованного клиента, вы – деньги за переход, и клиент – товар или нужную ему информацию.

Теперь разберём, как работают и зарабатывают через буксы. Владелец сайта, на котором установлена реклама, даёт задание исполнителям в буксе зайти на его сайт и понажимать на рекламу.

Чтобы не отследили переходы с буксов и было всё естественно, есть различные способы, их тоже прописывает в задании работодатель, но мы это опустим и разберём, кто получает выгоду в этом случае.

В случае с буксами, заказчик получает посещаемость сайта, плюс – деньги от рекламодателя за переходы. Исполнитель получает установленную плату за задание, а букс – свой процент от сделки. Но в этом случае есть и четвёртая сторона, которая терпит убытки от всех этих действий. Ведь переходы по рекламе не заинтересованными лицами не дают прибыли рекламодателю, и он теряет свои деньги, благодаря буксам и недобросовестным владельцам сайтов.

Конечно, есть задания от работодателей в буксах без кликов по рекламе, например зайти полистать сайт для накрутки посещаемости и поведенческих факторов (в конечном итоге, это те же деньги). Но в любом случае все заказанные действия через буксы, являются в той или иной степени мошенничеством. Кто остаётся в выигрыше, так это сам букс.

Работодатели продвигающие свои ресурсы подобным образом, ни к чему хорошему не придут. Ну а исполнители за одно задание зарабатывают от $ 0.02 до $ 0.05, и это в лучшем случае. Если вы готовы тратить своё время и энергию за эти деньги, то есть огромное количество площадок в интернете, стоит только набрать в поиске соответствующий запрос.

Стоит ли тратить время в буксах

Но прежде, чем приступать к каким-то действиям связанным с буксами и подобными проектами, поставьте себя на место людей, которые от этого пострадают. Прочтите о навыках высокоэффективных людей, какие принципы они используют.

Моё мнение: хоть опыт работы в буксах даёт мне возможность и право что-то об этом говорить, но если бы мне пришлось начать сначала свой путь в интернете, то однозначно я не терял бы время на подобное занятие. Это всего лишь моё мнение, а не руководство. Поступайте как считаете нужным и правильным.

Не так давно на просторах интернета открылся официальный сервис от компании Яндекс, где есть возможность честно зарабатывать на выполнении заданий. Сервис называется Яндекс Толока. Я лично его тестировал.

В сервисе нет заданий, которые могут навредить людям. Попробуйте поработать. Можно достаточно легко делать доллар в день, уделяя минимум времени.

Ссылка на обзор //ruslanosharov.com/zarabotok-v-internete-bez-vlozhenij/

Надеюсь, статья “Как заработать на буксах” была вам полезна. Самая лучшая поддержка для меня — это ваша обратная связь. Успехов и процветания вам!

Мне нравитсяНе нравится

Руслан Ошаров

Основатель и технический руководитель серии образовательных проектов Rosh School

Написать

Лучшие буксы для заработка в интернете в 2020, топ 5

Примерно 3,2 миллиарда людей имеют такой же доступ к Интернету, как и вы.

И с каждым днем это число постоянно увеличивается.

Что делать, если у вас есть немного свободного времени и как начать зарабатывать деньги в Интернете.

Букс — один из лучших вариантов для вас, если у вас нет опыта работы в режиме онлайн с частичной занятостью.

Но только не многие люди могут зарабатывать достойные деньги на этой онлайн-работе.

Одной из основных причин этого является то, что обычно людям не хватает стремления к своей цели, они очень быстро устают.

Мы протестировали около 50+ буксов, доступных в Интернете, и вот я пришел с Топ-5 лучших буксов, которые предлагают вам платить за клики по объявлениям, выполнение заданий… Давайте углубимся в это:

Сайты буксы (как правило, платные сайты-клики) — это своего рода модель онлайн-бизнеса, которая получает трафик на свой сайт от людей, которые хотят зарабатывать деньги в Интернете из своего дома.

Эти сайты платят вам деньги за просмотр (видеообъявления) или клик по объявлению, выполнение различного рода заданий …

Можно сказать, что буксы — это посредник между рекламодателями и вами.

На буксах есть хорошо развитая система, где они могут легко подсчитать, сколько времени вы нажимаете на рекламу, сколько времени вы смотрите видеообъявления и т. Д.

По моему мнению, это лучший и самый простой способ заработать деньги в Интернете из дома без каких-либо инвестиций.

Если вы хотите заработать пару долларов, немного поработав день у себя дома, тогда буксы для вас.

  1. Дружественный интерфейс
  2. Бесплатно присоединиться
  3. Доступно по всему миру
  4. Работа из дома
  5. В любое время работы
  6. Везде работа
  7. Технический навык не требуется
  8. Нет инвестиций
  9. Заработок на всю жизнь
  10. Нет задержки в оплате

Многие интернет-компании, компании, цифровые маркетологи хотят получить трафик на свои сайты или даже блоги.

Рекламодатели платят буксам, чтобы показать свою рекламу на сайте.

Они знают, что буксы имеют большой трафик от людей, которые готовы выполнять мини задания, просматривать рекламу или нажимать на объявления за определенную сумму денег.

Таким образом, они платят за размещение их рекламы на сайте, и некоторую сумму этого платежа мы получим после того, как нажмем на рекламу.
Я надеюсь, что вы получите представление о том, как работает этот механизм. если нет, мы обсудим это далее в этом посте.

Это важный вопрос.

Вы должны проверить, является ли сайт, к которому вы собираетесь присоединиться, подлинным сайтом или просто мошенничеством.

Вот несколько простых советов:

  1. Если предложения, которые они предлагают, слишком хороши.
  2. Хромает грамматика (ошибки грамматики) на странице контактов или на странице о нас.
  3. Найдите онлайн-обзоры про данный сайт.

После того, как вы подтвердите, что выбранный вами сайт является подлинным, а не мошенничеством, следующим шагом будет регистрация на нем.

  1. Перейти на сайт букс.
  2. Заполните регистрационную форму.
  3. Войдите в свою панель инструментов.
  4. Начни зарабатывать.

Не используйте Adblocker или любое расширение, которое блокирует рекламу в вашем веб-браузере.

Вы хотите начать зарабатывать в Интернете с помощью сайтов буксов из своего дома.

Итак, вам нужно, чтобы начать работу.

  • ПК или ноутбук
  • Интернет-соединение.
  • Аккаунт Яндекс, Gmail (рекомендуется)
  • Электронный кошелек или карта(можно на мобильный) для вывода денег

Когда у вас есть все эти вещи, вы готовы перейти на сайты буксы.

Буксы, о которых мы упоминаем ниже, в основном расположены в России. Пороговой суммы на вывод денег нет (бывает 1-3 рубля)

Как только вы заработали определенную сумму вы можете легко вывести эти деньги.

На самом деле, это варьируется от сайта к сайту.

Как правило, от 1 р. до 3 р.

Буксы платят вам мгновенно, когда вы запрашиваете вывод средств (после достижения порога).

Рrofitcentr

1)Лучший букс. Работает более 8 лет. Исполнителям предлагается заработать на серфинге сайтов , чтении писем, выполнении заданий, прохождении тестов, YouTube, социальных сетях.

Есть «доска почета», ТОП-100 исполнителей, последние выплаты. Моментальные выплаты, отзывчивая техподдержка, сайт прост в освоение. Работы много.


Seo-fast

После регистрации устанавливается кэшбэк в 10%. Его можно увеличить до 90%, если каждый день что-то делать. Можно просматривать сайты (серфинг и посещения) , читать письма, решать тесты, выполнять задания, проявлять активность на YouTube и Вконтакте.

Доступно приложение для просмотра тизерной рекламы. Работы много.


Socpublic

Популярный русскоязычный сайт, на котором можно заработать на просмотре рекламы, соц. сетях и прочей деятельности. Заданий на клики море – есть платные посещения, ручной и автоматический серфинг, письма. Сайт мне нравится – привлекает простой дизайн, подробная статистика и обилие работы. Рекомендую.


Seosprint

На сайте множество заданий, которые с легкостью выполнят новички. Есть серфинг, чтение писем, выполнение тестов и заданий.

По мне, так это просто хороший сайт для заработка на кликах,


Sharkpromotion

Присутствует авто-серфинг сайтов. Проводятся конкурсы, формируется ТОП-100 участников, отображены последние выплаты пользователей. Серфинг, тесты, письма, задания.

Создание и продвижение сайтов в Евпатории, Симферополе, Крыму

3.6 / 5 ( 5 голосов )

Что такое буксы САР? Буксы

Если вас мучает вопрос «что такое буксы» или «что такое САР», то скорей всего вас интересует заработок в интернете, потому что первое, с чем сталкивается человек, когда пытается заработать первые деньги онлайн, это буксы.

В целом же буксы — это системы активной рекламы (САР), название свое получили от слова «bux» в которых может заработать каждый, причем заработок здесь не ограничен, все зависит, только от вас. Так же подобные сервисы называют еще сокращенно (PTC) — от фразы «оплата за клик — Paid-To-Click». Деньги при этом на буксах платят вам рекламодатели, которых интересует раскрутка своих проектов, т. е. они, тоже с помощью буксов зарабатывают, только используют их в качестве рекламной площадки. И действительно, дешевле всего провести рекламную компанию в интернете именно на буксах с ценами на рекламу можно ознакомиться в статье — реклама на буксах. Некоторые думают, что буксы это, что-то вроде халявы в интернете, но это не так, для того что бы заработок на буксах был существенным, необходимо относится и подходить к работе на них серьезно.

Как заработать на буксах

Что бы иметь более полное представление о том, что это такое буксы, необходимо знать, что они предлагают для заработка, а это, как правило, стандартный набор способов, самые простые, можно сказать примитивные методы: серфинг сайтов, чтение платных писем, клики, тесты, автосерфинг, т. е. просмотр рекламируемых за деньги сайтов в новом окне. И самый высокодоходный способ, это платные задания, стоимость которых не ограничена и которые могут быть связаны с любой сферой жизнедеятельности. Обычно, задания на буксах, можно разделить на стандартные категории, это клики по рекламе, т. е. накрутка, соц. сети и все что связано с ними, регистрации на сайтах с активность и без, комментарии на сайтах, форумах и многое другое, которое ограничивается только фантазией рекламодателя. Надеюсь, эта краткая информация позволит вам понять, что такое буксы в интернете и зачем они нужны.

Буксы это еще и отличное средство пассивного заработка, так как все они без исключения предлагают партнерские программы, т. е. платят проценты с доходов привлеченных вами участников, т. е. рефералов. Для этого вам достаточно приглашать людей на буксы, отправляя им свою реф ссылку, которую вы сможете найти в своем личном кабинете, после регистрации на любом буксе.

Платят буксы на электронные платежные системы, самые распространенные это вебмани, яндекс деньги, перфект мани, паер, пейза и др.

Какие бываю буксы

Конечно, статья будет не полной, если мы не перечислим какие буксы, сейчас есть в интернете и не приведем примеры, так как ранее мы уже все, что связано с буксами описали, поэтому оставим здесь только, лишь ссылки, чтоб не повторяться. Для начала рекомендую статью про буксы, в которой перечислены с кратким описанием все без преувеличения лучшие буксы, там вы сможете уже более детально изучить, что они из себя представляют.

Первое с чего хочется начать — это русские долларовые буксы, лучшие из них Wmmail и Vipip.

Второе – это, конечно же, всем родные рублевые буксы, лучшие из которых Seosprint, Socpublic и Web-ip.

Третья категория и самая прибыльная — это зарубежные буксы, лучшие из которых Clixsense и Neobux.

И четвертая группа, самая малочисленная, но заслуживающая не меньшего внимание — это украинские буксы.

Ещё интересное по теме:

Расширения для заработка в браузере;
Заработок на форумах;
Заработок на платных опросах;
Заработок на вводе капчи.

Буксы . Бизнес онлайн. Не усложняй! Бери и делай! Два года я искал какие-то особые способы заработка в Интернете, пока не понял, что на самом деле всё не так сложно…

Буксы, САР (система активной рекламы) или как их ещё называют – «почтовики», это не совсем честный на мой взгляд вид заработка, но отношение к этому у всех разное, поэтому я просто расскажу в чём суть, а ты читатель сложишь своё мнение. Так вот, букс – это такая площадка, где регистрируются две категории людей, первая – это рекламодатели, или лучше сказать – работодатели, и вторая – это исполнители, или рабочие. Первые дают задания, вторые их выполняют, а букс выступает как посредник имея свой процент с обеих сторон.

Например, работодатель может заказать на буксе просмотры своего сайта разными посетителями в течении 20 секунд или больше, это называется серфинг. Или даёт задание зайти на его сайт, пролистать несколько страниц и кликнуть на рекламу. За серфинг исполнителю в среднем выплачивают 0.001$, а за выполнение заданий от 0.01$ до 0.05$. Что бы было более понятно, то за 100 просмотренных сайтов в сёрфинге исполнитель зарабатывает 10 центов, а за 10 выполненных заданий от 10 до 50 центов, на зарубежных буксах платят больше, но там сложнее выводить деньги.

Расценки и правила конечно меняются, так что читая эти строки нужно это учитывать. Из всех категорий участников этой схемы, то есть букса, работодателя и исполнителя, новичку наверное не совсем понятно, какую выгоду имеет работодатель, так как с остальными двумя участниками я думаю ясно. Так вот, во-первых, заказывая серфинг на сайт, работодатель получает посещаемость своего ресурса, а это учитывается поисковыми машинами Гугл, Яндекс и т. д. Во вторых, давая задания зайти на сайт и кликнуть по рекламе, работодатель так же получает вознаграждение за переход по рекламе от рекламодателя, и как ты понимаешь, вознаграждение превышает затраченные средства на оплату задания.

По сути схема простая и выгоду получают все, но проработав таким образом полтора – два месяца в качестве исполнителя, я ушёл, хотя уже успел заработать какой-то статус. Были определённые привилегии, но я понимал, это не то что мне нужно, хотя честно говоря ещё не сформулировал для себя, что конкретно я ищу, просто чувствовал – не моё это, а на чувства я полагаюсь даже больше, чем на разум. Знаешь читатель, если честно признаться, многое из того, что я прошёл в интернете можно было обойти и сразу начать зарабатывать приличные деньги, но у каждого свой путь и я нисколько не жалею, что его прошёл, ведь каждый раз пробуя что-то новое, я получал знания и опыт.

Попробовав себя в буксах и достигнув там определённого статуса, заработав немного денег, я получил навыки работы с компьютером на практике, ну и на хлеб с небольшим куском масла всегда мог заработать при необходимости. Поэтому всё что ни делается – к лучшему. Естественно я не всё время посвящал буксам, параллельно им я продолжал развивать соц сети, читал различные статьи посвящённые заработку в сети, и у меня уже был свой сайт на бесплатном хостинге (место, предоставляемое различными сервисами для размещения сайта), который помог сделать Андрей.

Помню с каким благоговением и гордостью я относился к тому, что у меня есть сайт, как переживал, что могу сделать что-то не так, не туда нажать или что-то нечаянно удалить. Но постепенно я начал разбираться, вникать, начал изучать HTML код, и немного погодя понял, – знать все премудрости конечно полезно, но совсем не обязательно. Достаточно базовых знаний, а главное – это наполнение сайта, его контент, то есть та информация, которую будут получать люди заходя на этот ресурс. На тот момент единственная страница моего сайта пестрела баннерами буксов с кратким описанием к каждому и призывом заработать деньги, типа хочешь изменить свою жизнь, жми сюда, ну или нечто подобное.

Начали мы с женой этот сайт так сказать раскручивать, она у себя на страницах соц сетей, а я у себя, в итоге небольшое посещение было и я установил на сайт контекстную рекламу непритязательных партнёрских программ. Ну думаю, сейчас люди начнут кликать и побежит денежный ручей, но естественно меня ждало, как и в файлообменниках разочарование. Да, изредка люди кликали из любопытства, но по сути никому не интересен был сайт с единственной страницей, кучей баннеров, да к тому же с назойливой рекламой, которая появлялась при входе на сайт, это было одно из условий бесплатного хостинга.

Как было написано выше, я начал вникать и разбираться, нашёл в интернете, что значит аббревиатура СДЛ (сайт для людей) и ГС (говно сайт), быстро понял что к чему и честно отнёс свой сайт к разряду ГС. В общем для меня начала прорисовываться картина того, как нужно действовать, я начал понимать, что нужно давать людям какой-то полезный материал, то, что они с интересом будут читать, слушать в аудио формате или смотреть видео. Но что-бы что-то отдать, нужно это иметь, а я по сути не имел ничего кроме кучки буксов и небольшого опыта работы в них.

Данный текст является ознакомительным фрагментом.

Продолжение на ЛитРес

Лучшие буксы. ТОП — 7. Обзор сайтов.

На чтение 4 мин. Обновлено

Приветствую вас, дорогие друзья! Мы все проводим очень много времени в интернете: смотрим фильмы, слушаем музыку, общаемся в социальных сетях, на форумах, что-то скачиваем или ищем информацию. Интернет занимает огромную часть нашей жизни. Проблема в том, что большинство просто праздно проводят свое время, а могли бы зарабатывать себе хоть какие-то деньги. Если вам это интересно, вы не знаете с чего начать — попробуйте заработок на кликах или как их еще называют почтовиках или буксах.

С чего начать?

      Для начала выбираем себе сайт, где мы будем работать? В сети существует огромное количество подобных сайтов, как функционирующих долгие годы, так и созданных буквально пару месяцев назад. Какой же из них выбрать. Советую более надежные и стабильные. На них уже сформирована своя аудитория, как исполнителей, так и рекламодателей. Всегда доступно много заданий. И самое главное — сайт будет работать без обмана. Ведь может получиться, что поработав некоторое время, какой-нибудь новый сайт в один прекрасный момент прекратит свое существование и вместе с ним пропадут ваши денежки. Хотя все же один существенный плюс у новых сайтов есть. Какой? Об этом ниже!

Итак. Выбираем сайт для заработка. Я подобрал для вас несколько, на которых сам работал и неоднократно выводил заработанные средства.

Как работать?

    В основе работы на подобных сайтах 3 основных вида заработка:

клики по ссылкам или проще говоря серфинг сайтов

     Вы просматриваете страницы, переходите по указанным ссылкам и за это вам начисляют деньги. Ничего сложного. Кликнул по ссылке, перешел на сайт, получил деньги. И можно начинать заново. Процесс начисления средств полностью автоматизированный. К слову сказать, в связи со своей простотой, оплата за данные действия не слишком прибыльная.

Чтение писем

    Действие аналогичное серфингу с одним различием — перед каждым переходом по ссылке,  вам необходимо прочитать небольшой текст (буквально несколько предложений) и в конце выбрать правильный ответ на вопрос по тексту. Далее алгоритм аналогичный серфингу. Тоже не слишком прибыльное занятие.

Выполнение оплачиваемых заданий

      Самый интересный и прибыльный вид заработка. Вы выбираете себе задание, которое хотели бы выполнить, читаете условия выполнения и если вас все устраивает — начинаете выполнять. К слову сказать, задания не сложные. Для успешного выполнения делаем все то, что просить рекламодатель.  Задания можно выбирать по различным критериям: по цене, по категории (голосование, соц. сети, регистрации, комментарии, отзывы и многое многое другое.)

Партнерская программа.

      Заработок на кликах, конечно хорошее дело, но наш заработок ограничен нашими усилиями и затраченным временем. Одним из условием такого широкого распространения подобных сайтов является наличие партнерской программы с прогрессирующим процентом реферальных отчислений.

      Обычно на подобных сайтах ваш заработок от работы рефералов зависит от вашего аккаунта, чем он более раскручен, тем более высокие реферальные отчисления вы получаете.

Сколько можно заработать?

        Все когда то начинали зарабатывать на буксах, кликали за деньги по ссылкам, выполняли задания. Многие так и кликают, другие же построив свою реферальную сеть, спокойно живут и периодически снимаю положенные им деньги от работы их рефералов.

        Так вот, для начала определитесь для чего вам это надо. Если вы будете работать как простой исполнитель — ваш заработок будет всегда ограничен. В среднем можно зарабатывать около 20 — 50$ в месяц.

        Я пошел по другому пути. Да, в начале я тоже кликал, но…..все заработанные средства вкладывал в привлечение рефералов.  Буквально через пару месяцев после начала —  доход от их работы, в виде реферальных отчислений уже превышал мой, на этом сайте. И с каждым месяцем он рос и рос. Здесь в принципе ничего сложного нет. Если сумел я, сможете и вы.

Лучшие буксы  для заработка

        Сразу скажу, что первые три сайта основные. На них приходится более 80% всего рынка (как по деньгам, так и по участникам). Эти буксы широко известны, на них всегда много заданий, оплата происходит вовремя и без обмана.

       Только что созданные сайты (молодые буксы) имеют преимущество в плане набора новых рефералов. Если проект никто не знает, велика вероятность привлечения людей по своей партнерской ссылке. А дальше все зависит от вашего везения и стратегии. Можно за неделю набрать и 50, и 100, и даже 1000 рефералов. Но как правило, на таких сайтах не слишком много доступных заданий.

Что выбрать решать вам. Или стабильность и надежность или риск и возможность быстрого заработка. Желаю удачи!

»Развитие технологии буксов для железных дорог

В первой статье, состоящей из двух частей, о конструкции железнодорожной буксы, мы смотрим на эволюцию этой ключевой железнодорожной подсистемы с исторической точки зрения. Как компания с давними традициями разработки решений для букс, SKF всегда решала экологические проблемы, такие как энергосбережение и экономия смазки для этого рынка.

Технологии

С момента своего первого использования на железнодорожном транспорте подшипники буксы предлагали возможности экономии энергии и смазки.Сегодня большинство железнодорожных транспортных средств оснащаются все более совершенными конструкциями на основе буксовых узлов колесных пар, состоящих из подшипников колесных пар или подшипниковых узлов, картера буксы и встроенных датчиков. Теперь SKF обслуживает железнодорожный рынок, предлагая дополнительные решения, такие как мониторинг состояния и пакеты услуг, включая сервисное проектирование, восстановление и обучение.

Основная концепция конструкции железнодорожных колес оставалась неизменной на протяжении всей истории железной дороги. Сборка из двух железнодорожных колес и оси обычно называется «колесной парой», которая вращается и поддерживается подшипниками, которые называются «буксовыми» или «опорными» подшипниками.Они размещены в буксах или поддерживаются специальными переходниками, которые напрямую или через пружины соединяются с ходовой частью, в большинстве случаев выполненной в виде тележки. Буксовая коробка — одна из критически важных для безопасности подсистем в железнодорожном транспорте.

Применяя трибологию, изучение трения, смазки и износа, инженеры и ученые многое узнали о взаимодействии поверхностей при относительном движении. Примеры прикладной трибологии можно найти на транспорте. На железных дорогах скромное начало конструкции колес и букс развилось от ранних антифрикционных подшипников букс до новейших разработок сложных подшипниковых узлов букс и комплексных пакетов решений, охватывающих подшипники, уплотнения, смазку, мехатронику (например.g., датчики для определения рабочих параметров) и широкий спектр услуг.

Первые железные дороги
Одним из первых примеров энергосбережения является конная железная дорога Линц / Австрия — Будвайс / Чехия, построенная в основном для перевозки соли, которая в то время была очень дорогой. Линия протяженностью 80 миль была открыта в 1832 году. В то время это была самая длинная железнодорожная ветка в мире. На рис. 1 показано, что железнодорожная система может нести в 8-10 раз больше нагрузки, чем автомобильный транспорт.

Подшипники осевой коробки
Существуют некоторые ранние патенты, но нет доказательств того, что все они были применены. Трехосные легковые автомобили, выпущенные в 1903 году, были одними из первых хорошо задокументированных применений подшипников качения в буксах. Вагоны были оборудованы буксами, в каждой из которых установлено по два радиальных шарикоподшипника (рис. 2а). Тяговое усилие для двухвагонного агрегата общим весом 33,15 тонны составило 4,4 кН с подшипниками скольжения и всего 0,62 кН с шарикоподшипниками, что на 86% меньше (рис.2б). Подшипники и буксы были изготовлены Deutsche Waffen- und Munitionsfabriken A.G. (DWF) в Берлине, Германия. Позже эта компания стала частью Vereinigte Kugellagerfabriken (VKF), которая, в свою очередь, была приобретена SKF.

Еще одно испытание было проведено в 1905 году профессором Грэхэмом из Сиракузского университета в Нью-Йорке. Он провел исследование энергопотребления в форме сравнительных полевых испытаний двух трамваев, первый из которых оборудован подшипниками скольжения, а второй — роликоподшипниками (рис.3а). Энергозатратность трамвая на подшипниках скольжения по маршруту — 6,45 кВтч; по сравнению с 3,10 кВтч для трамвая с роликоподшипниками — экономия электроэнергии 52% (рис. 3b). В 1907 году компания Syracuse Rapid Transit Cooperator сообщила компании Standard Roller Bearing (SRB) Co. в Филадельфии, что после 4,5 лет эксплуатации и примерно 250 000 миль подшипники качения не изнашиваются. Годовая экономия угля для выработки электроэнергии составила 260 долларов в год на автомобиль, что эквивалентно примерно 14 унциям золота.Компания Standard Roller Bearing Co. позже стала частью Marlin Rockwell Corporation (MRC). SKF приобрела MRC в 1986 году.

Удовлетворение потребности в скорости
Скорость была сущностью железных дорог с момента появления первого паровоза в 1804 году. SKF остается в авангарде проектирования высокоскоростных поездов, обеспечивая некоторые из наиболее важных для безопасности компонентов железных дорог. транспортные средства — буксовые узлы колесных пар, состоящие из подшипников или подшипниковых узлов колесных пар, картера буксы и встроенных датчиков.SKF всегда была активна в разработке решений, отвечающих сложным требованиям производителей и операторов высокоскоростных поездов, для разработки, проектирования и испытаний подшипников колесных пар (рис. 4a и 4b). К 1930-м годам поезда в Европе и Северной Америке уже достигли скорости около 80 миль в час, а максимальная — 100 миль в час. Сегодня высокоскоростные железнодорожные перевозки определяются в некоторых европейских стандартах как транспортные средства с максимальной скоростью более 125 миль в час.

Экономия смазки
В дополнение к энергосберегающим возможностям, дополнительный вклад в охрану окружающей среды может быть достигнут за счет снижения количества потребляемого смазочного материала.Смазочные материалы для подшипников, такие как масло и консистентная смазка, должны быть очищены от минерального масла. Во время технического обслуживания, после многих лет длительной эксплуатации, использованная смазка должна быть собрана при демонтаже буксирной коробки и подвергнута специальной обработке как утилизация отходов, как и другие использованные продукты, содержащие минеральное масло. Очевидно, что уменьшение количества смазочного материала является положительным вкладом в окружающую среду.

В начале рельсового транспорта использовались маслосмазываемые подшипники скольжения. Первичная заливка масла в мост

Диагностика неисправностей подшипников оси высокоскоростных поездов с использованием упрощенной сверточной нейронной сети слияния поверхностной информации

Датчики

(Базель).2020 сен; 20 (17): 4930.

Хунлинь Луо

1 Государственная ключевая лаборатория механической передачи, Университет Чунцина, Чунцин 400044, Китай; [email protected]

Лин Бо

1 Государственная ключевая лаборатория механической передачи, Университет Чунцина, Чунцин 400044, Китай; [email protected]

Chang Peng

2 Национальная инженерная лаборатория высокоскоростных поездов, CRRC Qingdao Sifang Co. Ltd., Циндао 266000, Китай; [email protected]

Дунмин Хоу

3 Школа механики, электроники и управления, Пекинский университет Цзяотун, Пекин 100044, Китай; [email protected]

1 Государственная ключевая лаборатория механической передачи, Университет Чунцина, Чунцин 400044, Китай; [email protected] 2 Национальная инженерная лаборатория высокоскоростных поездов, CRRC Qingdao Sifang Co. Ltd., Циндао 266000, Китай; [email protected] 3 Школа механики, электроники и управления, Пекинский университет Цзяотун, Пекин 100044, Китай; [email protected]

Поступило 02.08.2020 г .; Принято 2020 28 августа.

Лицензиат MDPI, Базель, Швейцария. Эта статья представляет собой статью в открытом доступе, распространяемую в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/). Эта статья цитировалась другими статьями в PMC. .

Abstract

Буксовые подшипники — один из важнейших механических компонентов высокоскоростного поезда. Сигналы вибрации, поступающие от подшипников буксы, обычно нелинейны и нестационарны из-за сложных условий эксплуатации.В связи с высокой надежностью и требованиями в реальном времени диагностики неисправностей подшипников букс для высокоскоростных поездов необходимо повысить точность и эффективность метода диагностики неисправностей подшипников, основанного на глубоком обучении. Для точного и быстрого выявления неисправности подшипников буксы в данной статье предлагается новый подход с использованием упрощенной сверточно-объединенной нейронной сети с мелкой информацией (SSIF-CNN). Во-первых, характеристики временной и частотной областей были извлечены из обучающих и тестовых выборок перед вводом в модель SSIF-CNN.Во-вторых, карты признаков, полученные из каждого скрытого слоя, были преобразованы в соответствующую последовательность признаков с помощью операции глобальной свертки. Наконец, эти последовательности признаков, полученные из разных слоев, были объединены в одномерный как полностью связанный слой для решения задачи идентификации неисправностей. Результаты экспериментов показали, что SSIF-CNN эффективно сокращает время обучения и повышает точность диагностики неисправностей по сравнению с обычной CNN.

Ключевые слова: буксовый подшипник , сверточная нейронная сеть, упрощенная CNN слияния неглубокой информации, диагностика неисправностей

1.Введение

Подшипники буксы, как ключевой компонент высокоскоростного поезда, могут иметь значительное влияние на безопасность, устойчивость и устойчивость железнодорожного транспорта [1]. Если отказ подшипника буксы не будет обнаружен в кратчайшие сроки, это может вызвать серьезные задержки или даже опасные сходы с рельсов, что может нанести ущерб человеческой жизни и привести к значительным расходам для руководителей и операторов железных дорог. Поэтому, как точно и быстро определить неисправность подшипника буксы, стало неотложной задачей, которую необходимо решить.В настоящее время анализ вибрации, акустический анализ и температурный анализ являются тремя основными подходами к обнаружению неисправностей подшипников буксы [2]. Однако при ранней стадии неисправности подшипника температура повышается незначительно, а шумы от контактов колеса с рельсом и системы привода поезда, а также аэродинамические силы могут влиять на сигнал, получаемый акустическими решетками [3]. Из-за его более высокой надежности были применены различные методы диагностики неисправностей, основанные на методах обработки сигналов вибрации, для поддержания правильной и надежной работы подшипников буксы [4,5,6,7].Однако определение типа дефекта подшипника с использованием традиционных методов диагностики, основанных на различных методах обработки сигналов, является трудоемкой и трудоемкой задачей, которая позволяет получить только качественный результат без серьезности неисправности подшипника. По сравнению с традиционным методом обработки сигналов, метод интеллектуальной диагностики, основанный на машинном обучении, может автоматически обрабатывать данные подшипников и всесторонне оценивать состояние подшипников [8,9].

Используя преимущества качественного и количественного анализа неисправностей подшипников, были предложены различные типичные интеллектуальные методы диагностики для улучшения характеристик диагностики неисправностей подшипников. Среди них искусственные нейронные сети (ИНС) и машины опорных векторов (SVM) обычно применяются для обнаружения и диагностики неисправностей машин [8,9,10]. Как правило, для диагностики неисправностей вращающегося оборудования на основе ИНС или SVM необходимы два важных шага: выделение признаков с использованием методов обработки сигналов и классификация неисправностей с использованием методов распознавания образов.Джамадар и др. [11] использовали нейронную сеть обратного распространения (BPNN) для классификации различных неисправностей подшипников с использованием 24 безразмерных параметров. Van et al. В [12] была предложена новая модель SVM, основанная на функциях вейвлет-ядра, для диагностики неисправностей подшипников с использованием признаков, извлеченных из сигналов, которые разлагаются нелокальными средствами (NLM) и эмпирической модовой декомпозицией (EMD). Chen et al. [13] применили ИНС для диагностики серьезности неисправностей подшипников с использованием данных моделирования, чтобы решить проблему требований к адекватным данным ИНС.Lei et al. [14] использовали ансамблевое разложение по эмпирическим модам (EEMD) для выделения признаков и вейвлет-нейронную сеть (WNN) для диагностики неисправностей подшипников. Tang et al. [15] выполнили SVM для обработки энтропии Шеннона и коэффициентов авторегрессионной модели для обнаружения различных неисправностей. Батиста и др. [16] объединили различные SVM для обнаружения отказов подшипников с использованием 13 статистических параметров во временной и частотной областях. Кроме того, для реализации диагностики и классификации неисправностей подшипников были предложены некоторые улучшенные методы, такие как скрытый марков, система адаптивного нейро-нечеткого вывода (ANFIS), экстремальная обучающая машина (ELM) и поддерживающая тензорная машина (STM) [17, 18,19,20].

Хотя традиционные интеллектуальные методы диагностики широко применялись при диагностике неисправностей машинного оборудования, они все еще имеют три неотъемлемых недостатка [8,21]: (1) На извлечение характеристик сигнала легко влияют сложные рабочие условия, а характеристики сигнала сложных неисправностей не может быть извлечен эффективно. (2) Выбранные чувствительные особенности в основном зависят от инженерного опыта диагностов. (3) Традиционные интеллектуальные методы диагностики, такие как ИНС и SVM, относятся к моделям поверхностного обучения, которые сложно эффективно изучить сложные нелинейные отношения.

Глубокое обучение, как новый метод машинного обучения, может автоматически изучать подробные локальные особенности из необработанных данных для классификации, чтобы преодолеть неотъемлемые недостатки традиционных интеллектуальных методов [10]. Сверточная нейронная сеть, предложенная LeCun [22,23], является эффективным методом глубокого обучения и применяется при диагностике неисправностей подшипников. Shao et al. [6] предложили новую модель глубокого обучения, которая сочетает в себе преимущества сети глубокого убеждения (DBN) и сверточной нейронной сети (CNN) для обнаружения отказа подшипника.Lo et al. [24] предлагают новый прогностический метод, основанный на 1D CNN с потерями кластеризации путем обучения классификации для обнаружения износа подшипников и шестерен. Chen et al. [25] предложил новый метод диагностики неисправностей, объединяющий CNN и ELM, чтобы снизить сложность обучения и получить надежные функции. Wang et al. [26] предложили модифицированный метод диагностики неисправностей, объединяющий CNN и скрытые модели Маркова (HMM) для классификации неисправностей подшипников качения. Janssens et al. [27] предложили 2D CNN с одним сверточным слоем для изучения полезных функций, извлеченных из частотного спектра с использованием двух акселерометров для обнаружения неисправностей подшипников.Chen et al. [28] предложили новую модель CNN, названную сверточной рекуррентной нейронной сетью, которая сочетает в себе преимущества CNN и рекуррентной нейронной сети (RNN) для адаптивного построения сквозных индикаторов состояния подшипников. Мао и др. [21] предложили новый метод обнаружения зарождающихся неисправностей в режиме онлайн с использованием полууправляемой архитектуры и глубокого представления признаков. Wang et al. [29] представили всесторонний обзор методов глубокого обучения и их приложений в интеллектуальном производстве, в котором подробно обсуждаются четыре типичные модели глубокого обучения, включая CNN, ограниченную машину Больцмана, автоматический кодировщик и RNN.

Хотя CNN достигла некоторых результатов в диагностике неисправностей подшипников, диагностические характеристики CNN по-прежнему нуждаются в улучшении, чтобы соответствовать требованиям диагностики неисправностей подшипников буксирной коробки. В отличие от диагностики неисправностей другого промышленного оборудования, диагностика неисправностей оборудования железнодорожного транспорта имеет свои особенности. Для высокоскоростных поездов безопасность является приоритетом. Модель диагностики неисправностей должна обрабатывать данные о подшипниках быстро и точно, чтобы соответствовать строгим требованиям к надежности и оперативному контролю отказов подшипников осевой коробки.Из-за сложности CNN большее количество слоев означает больше ядер свертки, и каждый нейрон умножает входные данные на веса соединения, что приводит к тому, что размер параметра CNN превышает десятки или даже сотни тысяч. Из-за большого размера параметров требуется больше вычислительных затрат и более продолжительное время обучения, что может привести к снижению производительности CNN. Кроме того, каждый уровень CNN имеет различное выражение входных данных и имеет несколько уровней.Однако только выходы последнего уровня подключаются к полностью подключенному уровню, а неглубокая информация на других уровнях игнорируется в традиционной структуре CNN. Следовательно, необходимо уменьшить количество параметров модели и использовать неглубокую информацию, чтобы улучшить диагностические характеристики CNN.

Некоторые исследования были проведены, чтобы восполнить этот пробел. Fu et al. [30] предложили многомасштабную комплексную функцию fusion-CNN (MCFF-CNN), основанную на остаточном обучении для распознавания цвета транспортных средств, и добились улучшенных характеристик распознавания.Zhang et al. [31] предложили компактную сверточную нейронную сеть, дополненную многомасштабным извлечением признаков для выполнения задач диагностики с ограниченными обучающими выборками, и представили три случая для проверки эффективности предложенного метода. Meng et al. [32] предложили структуру на основе CNN для сегментации сосудов головного мозга с помощью цифровой субтракционной ангиографии и получили некоторые результаты. Jun et al. [33] предложили многомасштабную модель CNN для прогнозирования оставшегося срока службы подшипников, в которой последний сверточный слой и объединяющий слой были объединены для образования смешанного слоя перед подключением к полностью связанному слою.Однако характеристики упомянутых выше методов все еще нуждаются в улучшении.

Стремясь повысить эффективность вычислений и точность диагностики, предлагается новая упрощенная сверточная нейронная сеть со слиянием мелкой информации (SSIF-CNN) для диагностики неисправностей подшипников буксы на основе вибрации. Предлагаемый метод сначала преобразует карты признаков, полученные из каждого слоя объединения, в последовательность признаков с помощью операции глобальной свертки. Затем эти последовательности признаков, полученные из разных слоев объединения, объединяются в одномерный вектор, прежде чем они будут подключены к классификатору через полностью связанный слой.Результаты экспериментов показывают, что по сравнению с традиционной CNN, SSIF-CNN повышает вычислительную эффективность, обеспечивая точность диагностики неисправностей.

Вклады этого документа можно резюмировать следующим образом:

  • (a)

    Мы используем структуру модели SSIF-CNN, чтобы выделить более идентифицируемые особенности для диагностики неисправностей подшипников буксы. За счет интеграции упрощенной неглубокой информации поддерживаются функции с большим количеством информации для увеличения пропускной способности сети и уменьшения размера параметра.

  • (b)

    Из-за меньшего количества полностью связанных параметров уровня в структуре SSIF-CNN, вычислительная эффективность модели и точность диагностики неисправностей улучшаются.

  • (c)

    Предлагаемый систематический подход объединяет извлечение признаков и SSIF-CNN в структуру, которая может реализовать цель автоматического мониторинга состояния подшипников буксы.

Остальные части статьи организованы следующим образом: В Разделе 2 представлена ​​модифицированная процедура CNN.В разделе 3 предлагается процедура диагностики с использованием модифицированного метода. В разделе 4 описываются и анализируются эталонные и экспериментальные данные. Наконец, некоторые выводы представлены в Разделе 5.

2. Упрощенное объединение мелкой информации CNN

Как показано на рисунке a, CNN представляет собой разновидность многослойной нейронной сети прямого распространения, которая в основном состоит из трех частей: сверточные слои, объединяющие слои и полностью связанный слой. Сверточный слой обнаруживает локальные соединения функций входных данных с помощью операции локальной свертки.Слой объединения объединяет похожие функции в одну, чтобы уменьшить размер сетевых параметров и добиться инвариантной к трансляции характеристики. Полностью связанный слой преобразует входные данные в вектор для определения категорий для различных задач.

Структура ( a ) общей сверточной нейронной сети (CNN), ( b ) слияния мелкой информации-CNN и ( c ) упрощенного слияния мелкой информации-CNN.

В общей архитектуре CNN только выходы последнего уровня подключаются к полностью подключенному уровню, а информация о неглубокой свертке игнорируется.Чтобы использовать неглубокую информацию, неглубокие объекты, полученные из неглубоких объединяющих слоев, соединяются с полностью связанным слоем вместе с объектами последнего слоя. Как показано на b, желтые круги в полностью подключенном слое представляют информацию о глубине, извлеченную последним уровнем объединения Pn, а синие и зеленые кружки представляют неглубокую информацию, извлеченную из уровня объединения Pi и первого слоя объединения P1, соответственно. Каждая линия между кружками представляет собой вес соединения нейронов.Расчеты, производимые нейронами в новом полностью связном слое, могут быть выражены как:

fc (j) = f (∑j = 1mωj ∗ (∑i = 1nPi) + bj)

(1)

где fc (j) — это выход j-го нейрона в новом полностью связном слое, Pi = (pik, k = 1,…, K) — это выходы i-го уровня объединения, K — количество выходов его слой объединения, ωj — весовой вектор, bj — значение смещения, m, — количество нейронов в новом полностью подключенном слое, n — количество слоев объединения, а f (·) представляет нелинейную функцию активации.Новый полностью связанный слой содержит больше нейронов из-за интеграции неглубокой информации. Модель слияния неглубокой информации-CNN имеет больший размер параметра модели, что может привести к гораздо большей вычислительной нагрузке и более длительному времени обучения.

Чтобы уменьшить размерность параметров модели после интеграции неглубокой информации, карты признаков, полученные из каждого слоя объединения, преобразуются в последовательность признаков с помощью операции глобальной свертки перед вводом в полностью связанный слой.Как показано в c, ядра глобальной свертки с той же размерностью, что и карты признаков, полученные из каждого слоя объединения, используются для свертки этих соответствующих карт признаков, а результаты, извлеченные из разных слоев объединения, дополнительно объединяются в одномерный вектор признаков. Затем вектор признаков 1D берется как новый полностью связанный слой для решения задачи распознавания образов. Зеленые, синие и желтые прямоугольники представляют последовательности признаков, выводимые с использованием соответствующих ядер глобальной свертки для свертки выходных данных уровня объединения P1, уровня объединения Pi и последнего слоя объединения Pn, соответственно.Последовательности признаков глобальной свертки, полученные из разных уровней объединения, объединяются в новый полностью связанный уровень перед передачей на уровень классификации. Расчеты, производимые нейроном в новом полностью связном слое, могут быть выражены как:

fc (j) = f (∑j = 1mωj ∗ (∑i = 1n∑k = 1Kpik ∗ Gik) + bj)

(2 )

где fc (j) — выход j-го нейрона в новом полностью связном слое, Pi = (pik, k = 1,…, K) — выходы i-го уровня объединения, K — количество выходов i-го слой объединения, Gik — соответствующее глобальное ядро ​​свертки с той же размерностью Pik, ωj — вектор весов, bj — значение смещения, m — количество нейронов в новом полностью связанном слое, n — количество объединяющих слоев, f (·) представляет нелинейную функцию активации, а ⊗ представляет глобальный оператор свертки.

3. Методология

3.1. Метод диагностики неисправностей подшипников полуоси на основе SSIF-CNN

В настоящее время существует два основных технических подхода к диагностике неисправностей подшипников на основе машинного обучения. Как показано на a, в традиционном методе, основанном на машинном обучении, для извлечения признаков и классификации неисправностей используются разные алгоритмы для достижения цели окончательной классификации неисправностей. Напротив, в методах, основанных на сквозном глубоком обучении, два процесса извлечения признаков и классификации могут выполняться одновременно, как показано в b.

Сравнение двух методов: ( a ) традиционное машинное обучение и ( b ) глубокое обучение.

Как показано в, предлагаемый метод следует схеме извлечения признаков и глубокого обучения признаков, а не подходу сквозного обучения в этой работе, основанному на следующих соображениях: (1) Ввод исходного сигнала вибрации непосредственно в CNN Модель приведет к увеличению вычислительной нагрузки и увеличению времени обучения. (2) Многочисленные исследования показали, что выделение признаков на основе методов обработки сигналов эффективно для диагностики неисправностей подшипников.(3) Глубокие модели CNN могут изучать локальные соединения извлеченных признаков без выбора чувствительных признаков.

Подход к диагностике неисправностей подшипников буксы, основанный на извлечении признаков и глубоком обучении.

Блок-схема метода диагностики неисправностей буксового подшипника на основе SSIF-CNN представлена ​​на рис. Процесс диагностики неисправностей следует за процедурой сбора данных, извлечения признаков, обучения модели и классификации неисправностей.

Блок-схема метода диагностики неисправностей подшипников буксы на основе упрощенной сверточно-объединенной нейронной сети с поверхностной информацией (SSIF-CNN).

Процесс алгоритма иллюстрируется следующим образом:

  • Сбор сигналов вибрации подшипника буксы от датчиков ускорения с определенной частотой дискретизации в различных рабочих условиях.

  • Сегментируйте сигналы для построения обучающих и тестовых выборок.

  • Извлечь и нормализовать признаки.

  • Возьмите нормализованные характеристики обучающих выборок в качестве входных данных модели диагностики и соответствующий тип ошибки в качестве метки модели.Используйте обратное распространение ошибки, чтобы скорректировать модель. Когда функция ошибок сойдется, обучение модели будет завершено.

  • Возьмите нормализованные характеристики тестовых выборок в качестве входных данных обученной модели и выведите результаты распознавания неисправностей.

3.2. Увеличение данных и извлечение признаков

Чтобы избежать переобучения без достаточного количества обучающих выборок, увеличение данных важно для повышения точности обобщения и классификации CNN.Как показано в, эффективно получить достаточное количество обучающих выборок и тестовых выборок, сегментируя перекрывающиеся необработанные данные с определенной длиной шага. Сигнал вибрации с 120000 точек может предоставить 400 обучающих выборок и 400 тестовых выборок для SSIF-CNN, когда шаг сдвига равен 144; длина каждой обучающей выборки — 2048.

Процедура генерации обучающей и тестовой выборок.

Выделение признаков — это первый шаг при классификации дефектов подшипников.Интуитивно понятные и понятные функции во временной области представляют собой исходные данные о рабочем состоянии подшипника. Функции частотной области могут описывать изменения в полосе частот с точки зрения спектра сигнала и спектрального распределения энергии. В общей сложности 29 временных и частотных характеристик (P1, P2,…, P29) вычисляются в этой статье в соответствии со ссылкой [8] и ссылкой [20], как показано в.

Таблица 1

Символ Уравнение Описание Символ Уравнение Описание
P1 1N∑I − 1Nxi Среднее значение P16 P10 (P8) 4 Коэффициент эксцесса
P2 1N∑i = 1Nxi2 Среднеквадратичное значение P17 ∑k = 1Ks (k) K Средняя частота
P3 (1N∑i = 1N | xi |) 2 Амплитуда квадратного корня P18 ∑k = 1K (s (k) −P17) 2K Спектральная дисперсия
P4 1N∑i = 1N | xi | Абсолютное среднее P19 ∑k = 1K (s (k) −P17) 3K (P18) 3 Спектральная асимметрия
P5 макс (xi) Максимум P20 ∑k = 1K (s (k) −P17) 4K (P18) 2 Спектральный эксцесс
P6 min (xi) Минимум P21 ∑k = 1Ks (k) fk∑k = 1Ks (k) Центр частоты
P7 P5 − P6 От пика до пика P22 ∑k − 1K (fk − P21) 2s (k) ∑k = 1Ks (k) Частота стандартного отклонения
P8 1N∑i = 1N (xi − x¯) 2 Дисперсия P23 ∑k = 1K (fk) 2s (k) ∑k = 1Ks (k) Среднеквадратичная частота
P9 ∑i = 1N (xi − x¯) 3 (N − 1) (P8) 3 Асимметрия P24 ∑k = 1K (fk) 4s (k) ∑k = 1K (fk) 2s (k) P24 – P25 — индикаторы положения основной полосы частот
P10 ∑i = 1N (xi − x¯) 4 (N − 1) (P8) 4 Эксцесс P25 ∑k = 1K (fk) 2s (k) ∑k = 1Ks (k) ∑k = 1K (fk) 4s (k)
P11 P2P4 Фактор формы P26 1P21∑k = 1K (fk − P21) 2s (k) K P26 – P29 — индикаторы дисперсии или концентрации спектра
P12 P5P2 Пик-фактор P27 ∑k = 1K (fk − P21) 3s (k) K (P22) 3
P13 P5P4 Коэффициент импульса P28 ∑k = 1K (fk − P21) 4s (k) K (P22) 4
P14 P5P3 Коэффициент вариации P29 ∑k = 1Kfk − P21s (k) KP22
P15 P9 (P8) 3 Коэффициент перекоса

Поскольку разные элементы имеют разные единицы измерения, необходимо нормализовать элементы и убедиться, что каждый элемент вносит свой вклад в модель CNN:

Pnorm = P − min (P) max (P) −min (П)

(3)

где P — последовательность признаков.

3.3. Дизайн CNN

Когда входные данные одномерные, структура сверточных ядер в CNN будет одномерной. Учитывая ограничение длины и глубины извлекаемых признаков, параметр ядра свертки не должен быть слишком большим. Поскольку размер входного вектора признаков, который имеет 29 значений признаков, невелик, нет необходимости объединять выходные данные сверточных слоев для уменьшения размерности данных. SSIF-CNN, используемый в этой работе, содержит только три локальных сверточных слоя и три глобальных сверточных слоя.Конкретные настройки параметров трех моделей CNN показаны в, и.

Таблица 2

Специфические параметры настройки конвуляционной нейронной сети (CNN).

Сверточное ядро ​​ Сверточное ядро ​​ размер ядра: 6 × 1
Слой Параметры Выходной размер Функция активации
Входной слой 29 значений функций 29 × 1
24 × 1 × 8 ReLU
сверточный слой 2 16 ядер, размер ядра: 4 × 1 21 × 1 × 16 ReLU
сверточный слой 3 32 ядра, размер ядра: 2 × 1 20 × 1 × 32 ReLU
Полностью связанный слой 640 нейронов 1 × 640 ReLU
Классификатор 9046 скрытый слой 50 нейронов 640 × 50 Сигмоид
Классификационный слой n нейронов 50 × n 902 30 Softmax

Таблица 3

Специальные параметры настройки сверточной нейронной сети слияния мелкой информации (SIF-CNN).

Сверточное ядро ​​ Сверточное ядро ​​ размер ядра: 6 × 1
Слой Параметры Выходной размер Функция активации
Входной слой 29 значений функций 29 × 1
24 × 1 × 8 ReLU
сверточный слой 2 16 ядер, размер ядра: 4 × 1 21 × 1 × 16 ReLU
сверточный слой 3 32 ядра, размер ядра: 2 × 1 20 × 1 × 32 ReLU
Полностью связанный слой 1168 нейронов 1 × 1168 ReLU
скрытый слой 50 нейронов 1168 × 50 Сигмоид
Классификационный слой n нейронов 50 × n Softmax

Таблица 4

Специальные параметры настройки упрощенной сверточно-объединенной нейронной сети с мелкой информацией (SSIF-CNN).

Сверточное ядро ​​ Сверточное ядро ​​ размер ядра: 6 × 1
Слой Параметры Размер вывода Функция активации
Входной слой 29 значений функций 29 × 1
24 × 1 × 8 ReLU
Уровень глобальной свертки 1 8 ядер, размер ядра: 24 × 1 1 × 8 ReLU
2 сверточных слоя 16 ядер, размер ядра: 4 × 1 21 × 1 × 16 ReLU
Уровень глобальной свертки 2 16 ядер, размер ядра: 21 × 1 1 × 16 ReLU
Сверточный слой 3 32 ядра, размер ядра: 2 × 1 20 × 1 × 32 ReLU
Глобальный сверточный слой 3 32 ядра, ke Размер рнел: 20 × 1 1 × 32 ReLU
Полносвязный слой 56 нейронов 1 × 56 ReLU
Классификатор 50 скрытый слой 50463 Сигмоид
Классификационный слой n нейроны 50 × n Softmax

4.Экспериментальная проверка и проверка

В этом разделе проводятся два тематических исследования для проверки эффективности предложенной модели. В примере 1 основное внимание уделяется эталонным данным, полученным в центре обработки данных подшипников Case West Reserve University (CWRU), Кливленд, Огайо, США. Случай 2 посвящен данным о подшипниках буксы высокоскоростного поезда, собранным в результате лабораторных экспериментов. Модели реализуются на компьютере с ЦП I7-4790-k, объемом памяти 16 ГБ и средами программирования MATLAB R2016 и Python 3.7. Скорость обучения — 0,01, максимальное количество итераций — 2000.

4.1. Числовая проверка

4.1.1. Описание данных

Экспериментальные наборы данных неисправностей подшипников, полученные из центра обработки данных подшипников качения CWRU, анализируются для подтверждения эффективности диагностики модифицированной модели. В этом эксперименте партии подшипников качения обрабатываются электроэрозионной обработкой для моделирования различных типов неисправностей, включая неисправность шарика (BF), неисправность внутреннего кольца (IRF) и неисправность внешнего кольца (ORF).Необработанные наборы данных о вибрации, которые получены от подшипника со стороны привода при 1797 об / мин и дискретизированы акселерометрами с частотой 12 кГц, все выбираются для распознавания схем неисправностей. показывает информацию о тестовых наборах данных. Глубина дефектов составляет 0,18 мм, 0,36 мм, 0,54 мм и 0,72 мм, в то время как данные о неисправности внешнего кольца (ORF) 0,72 мм отсутствуют. Дополнительные спецификации для сбора данных о подшипниках качения можно найти на сайте [34].

Таблица 5

Описание выборки распределения.IRF: неисправность внутренней гонки, ORF: неисправность внешней гонки и BF: неисправность шара.

9030 400/400 36 0 точки данных эталонных данных, 120 000 точек данных были окончательно выбраны для каждого состояния подшипника в наших экспериментах. Каждое состояние подшипника имеет 400 обучающих образцов и 400 испытательных образцов, и каждый образец содержит 2048 точек данных. Общее количество обучающих выборок составляет 4800 (400 × 12), тестовых также 4800 (400 × 12).

4.1.2. Влияние размера выборки на обучение

Чтобы избежать переобучения и повысить способность модели SSIF-CNN к обобщению, необходимо достаточное количество обучающих выборок. показывает влияние размера обучающей выборки на производительность SSIF-CNN. Чтобы проверить стабильность SSIF-CNN, было проведено десять обучающих испытаний для каждого размера обучающей выборки. Среднее значение и диаграмма точности десяти тренировочных испытаний показаны на a. По мере увеличения количества обучающих выборок точность классификации постепенно увеличивается.Даже если размер обучающей выборки относительно невелик, SSIF-CNN все равно может обеспечить высокую точность классификации. b показывает среднее время, затрачиваемое на обучение SSIF-CNN с разными размерами обучающих выборок. По мере увеличения количества обучающих выборок среднее время, необходимое SSIF-CNN для обработки одной выборки, постепенно уменьшается. Когда размер выборки превышает 840, модифицированной модели требуется всего около 0,02 с для диагностики выборки, что показывает, что SSIF-CNN может удовлетворять требованиям диагностики неисправностей в реальном времени.

Влияние размера обучающей выборки на: ( a ) точность обучения ( b ) время обработки одной выборки.

4.1.3. Результаты диагностики

После смешивания обучающих выборок весь пакет обучающих выборок вводится в обучающие модели для десяти повторных экспериментов, а результаты первого испытания показаны в. Как показано на рисунке, общая CNN сойдется после 1672 итераций с точностью около 89,5%. Точность SIF-CNN достигает 98.75% после 1416 итераций. Однако из-за меньшего количества параметров модели точность обучения SSIF-CNN достигает 100% всего после 642 итераций, что намного быстрее, чем у обычных CNN и SIF-CNN.

Точность обучения CNN с итерациями.

Подробно перечислены характеристики точности классификации неисправностей для трех моделей. показывает спецификации точности классификации обучающих выборок, а показывает то же самое для тестовых выборок.В процессе обучения CNN точность условий пеленга 7 и 10 достигает только 52% и 42%, тогда как все точности модели SIF-CNN поддерживают уровни выше 89%. SSIF-CNN классифицирует все обучающие выборки с точностью до 100%. В процессе тестирования точность условий подшипников 7 и 10 достигает только 31% и 37,5% по CNN, соответственно, а модель SIF-CNN имеет точность классификации не менее 81%. SSIF-CNN классифицирует все обучающие выборки с точностью до 100%.

Таблица 6

Точность классификации обучающих выборок.

Состояние подшипника Глубина повреждения (мм) Тип повреждения Размер образца для обучения / тестирования
Нормальный 0 0,18 1 400/400
IRF 0,36 2 400/400
IRF 0.54 3 400/400
IRF 0,72 4 400/400
ORF 0,18 5 400/400 6 400/400
ORF 0,54 7 400/400
BF 0,18 8 400/400
9 400/400
BF 0,54 10 400/400
BF 0,72 11 400/400
9014 9030 1 0462 9046 1 9030 1 0462 9046 1 9046 1 9030 9030 9030 9030 1 9030 9030
Модель Точность Точность каждого состояния подшипника
0 1 2 3 4 5 7 10 11
CNN 0,8977 1 1 0.935 1 1 1 1 0,52 1 0,9175 0,42 1
SIF-CNN
1 0,89 1 1 1 0,9675 0,985 1
SSIF-CNN 1 1 1 1 1 1 1 1 1

Таблица 7

Точность классификации исследуемых образцов.

9014 9030 375 9030 9030 1 9030 9030 09.

Артикул Google Scholar

  • Лю, К., Ван, З., и Чжоу, Б. (2017). Интеллектуальная диагностика неисправностей подшипников качения с использованием иерархической классификации состояний работоспособности на основе сверточной сети. Advanced Engineering Informatics, 32, 139–151. https://doi.org/10.1016/j.aei.2017.02.005.

    Артикул Google Scholar

  • Маатен, Л., и Хинтон, Г. (2008). Визуализация данных с помощью t-SNE. Журнал интеллектуальных и робототехнических систем, 9, 2579–2605.https://doi.org/10.1007/s10846-008-9235-4.

    Артикул Google Scholar

  • Пан, З., Мэн, З., Чен, З., Гао, В., и Ши, Ю. (2020). Двухэтапный метод, основанный на экстремальном обучении машины для прогнозирования оставшегося срока службы подшипников качения. Механические системы и обработка сигналов . https://doi.org/10.1016/j.ymssp.2020.106899.

    Артикул Google Scholar

  • Симонян, К., & Зиссерман, А. (2014). Очень глубокие сверточные сети для распознавания крупномасштабных изображений. arXiv: 1409.1556.

  • Ван, Х., Лю, З., Пэн, Д., и Цинь, Ю. (2020). Понимание и изучение дискриминантных функций на основе многоцелевого 1DCNN для диагностики неисправностей подшипников колесных пар. IEEE Transactions по промышленной информатике, 16 (9), 5735–5745. https://doi.org/10.1109/tii.2019.2955540.

    Артикул Google Scholar

  • Ву, С., Парк, Дж., Ли, Дж. -Й., И Квеон, И. С. (2018). CBAM: Модуль внимания сверточного блока. В Труды Европейской конференции по компьютерному зрению (стр. 3–19).

  • Ву, С. К., Лю, Ю. X., Ли, К. Х., Кан, Г. З., и Лян, С. Л. (2018). Об усталостных характеристиках и остаточном ресурсе междугородных железнодорожных осей с внутренними буксами. Инженерная механика разрушения, 197, 176–191. https://doi.org/10.1016/j.engfracmech.2018.04.046.

    Артикул Google Scholar

  • Ян С., Гу Х., Лю Ю., Хао Р. и Ли С. (2020a). Универсальный многоцелевой оптимизированный вейвлет-фильтр и его приложения для диагностики неисправностей подшипников колесных пар. Механические системы и обработка сигналов . https://doi.org/10.1016/j.ymssp.2020.106914.

    Артикул Google Scholar

  • Янг, Дж. У., Ван, Дж.Х., Хуанг, К., и Чжоу, М. (2018). Оценка надежности электромагнитного клапана тормозной системы высокоскоростного поезда при малой выборке. Китайский журнал машиностроения . https://doi.org/10.1186/s10033-018-0248-z.

    Артикул Google Scholar

  • Ян, Дж. У., Чжао, Ю., Ван, Дж. Х., Бай, Ю. Л., и Лю, К. (2020b). Исследование характеристик ударной реакции железнодорожного подвижного состава с пробуксовкой колес в условиях переменной скорости. Журнал вибрации и акустики . https://doi.org/10.1115/1.4046126.

    Артикул Google Scholar

  • Яо Д., Лю Х., Ян Дж. И Ли X. (2020). Легкая нейронная сеть с высокой надежностью для диагностики неисправностей подшипников. Измерение . https://doi.org/10.1016/j.measurement.2020.107756.

    Артикул Google Scholar

  • Чжан, Х., Лю З., Ван Дж. И Ван Дж. (2019). Частотно-временной анализ для диагностики неисправностей подшипников с использованием нескольких вейвлетов Габора с добротностью. ISA Transactions, 87, 225–234. https://doi.org/10.1016/j.isatra.2018.11.033.

    Артикул Google Scholar

  • Чжан, Ю., Син, К., Бай, Р., Сунь, Д., и Мэн, З. (2020a). Усовершенствованная сверточная нейронная сеть для диагностики неисправностей подшипников на основе частотно-временного изображения. Измерение . https://doi.org/10.1016/j.measurement.2020.107667.

    Артикул Google Scholar

  • Чжан, X., Чжан, Дж., Ван, Ф., Лю, X., Ву, Дж., И Ли, Т. (2020b). Мультимодальное поляризационное изображение, моделирующее обнаружение кратера. Журнал электронных изображений . https://doi.org/10.1117/1.jei.29.2.023027.

    Артикул Google Scholar

  • Чжан, Х., Чжоу, X., Лин, М., и Сун, Дж. (2018). ShuffleNet: чрезвычайно эффективная сверточная нейронная сеть для мобильных устройств. В Труды конференции IEEE по компьютерному зрению и распознаванию образов (стр. 6848–6856).

  • Чжао, Р., Ян, Р., Чен, З., Мао, К., Ван, П., и Гао, Р. X. (2019). Глубокое обучение и его приложения для мониторинга состояния машин. Механические системы и обработка сигналов, 115, 213–237. https://doi.org/10.1016 / j.ymssp.2018.05.050.

    Артикул Google Scholar

  • Чжэн, Дж., Пань, Х., Ян, С., и Ченг, Дж. (2017). Метод частотно-временного анализа на основе адаптивного эмпирического вейвлет-преобразования без параметров и его применение для диагностики неисправностей трения ротора. Обработка сигналов, 130, 305–314. https://doi.org/10.1016/j.sigpro.2016.07.023.

    Артикул Google Scholar

  • (PDF) Диагностика неисправностей подшипников оси высокоскоростных поездов с использованием упрощенной сверточной нейронной сети слияния поверхностной информации

    Датчики

    2020, 20, 4930, 22, 23

    8.Шао, H.; Jiang, H.; Zhang, H.; Duan, W.; Liang, T.; Wu, S.Rollingbearingfaultfeaturelearning использование

    улучшеннойсверточнойглубокойверительнойсетиссжатиемсжатия .Мех.Сист.Процесс сигнала.2018, 100,

    743–765.

    9. Шао, H.; Jiang, H.; Lin, Y.; Li, X.A нововведенный методдля “интеллектуальной” диагностики неисправностей подшипников с использованием

    ensembledeepauto-encoders.Mech.Syst.SignalProcess.2018, 102, 278–297.

    10. Lei, Y.; Yang, B.; Jiang, X.; Jia, F.; Li, N.; Nandi, AKПриложенияобучениямашинынаавтоматическая

    Диагноз

    : Aобзор androadmap.Mech.Syst.SignalProcess.2020, 138, 106587.

    11. BenAli, J .; Fnaiech, N.; Saidi, L .; Чебель-Морелло, B .; Fnaiech, F.Приложениеэмпирическогорежима

    декомпозиции и искусственной нейронной сетидля автоматическойсвязи диагностики неисправностей на «вибрации»

    сигналов. «Приложение» «Акуст.», 2015, №89, №16–27.

    12. Ван, М., Хоанг, Д.T.; Kang, HJBearingFaultDiagnosis UsingaParticleSwarmOptimization-Least

    SquaresWaveletSupportVectorMachineClassifier.Sensors2020, 20,  3422.

    13. Chen, J.; Randall, RBИнтеллектуальная диагностика неисправностейдетонационныхподшипниковвнутреннемдвигателе сгорания с использованием моделирования вибрации

    .Mech. Mach.Theory2016, 104, 161–176.

    14. Lei, Y.; He, Z.; Zi, Y.EEMDmethodandWNNfor Диагностика неисправностей локомотивных роликоподшипников.ExpertSyst.

    Прил.2011, 38, 7334–7341.

    15. Tang, B.; Song, T.; Li, F.; Deng, L. Диагностика неисправностей для a «Ветровая турбина» трансмиссионная система на основе »на многообразии»

    обучающая »и« волновая »машина Шеннона. 16. Батиста, L.; Badri, B.; Sabourin, R.ThomasM., Aсистема слияния классификаторов для диагностики неисправностей подшипников. Expert

    Syst. Appl2013, 40, 6788–6797.

    17. Purushotham, V.; Narayanan, S.; Prasad, SAN Диагностика множественных неисправностей элементов качения подшипника «С использованием»

    вейвлет-анализа и «скрытого» распознавания марковской модели на основе «неисправностей».NDTEInt.Indep.Nondestruct.Test.

    Eval.2005, 38, 654–664.

    18. Lei, Y.; He, Z .; Zi, Y.; Hu, Q.Диагностика неисправностей вращающегося оборудования на основенамножественнойANFISкомбинации

    сGAs.Mech.Syst.SignalProcess .2007, 21, 2280–2294.

    19. Haidong, S.; Hongkai, J.; Xingqiu, L.; Shuaipeng, W.Intelligentfaultdiagnosis катания на подшипнике с использованием

    глубоких волновых автоматических кодировщиков с машиной для экстремального обучения. Система на основе знаний. 2018, №140, №1–14.

    20. He, Z.; Shao, H.; Cheng, J.; Zhao, X.; Yang, Y. Поддержка тензорной машины с динамическим штрафом. «Факторы» и «его»

    для диагностики неисправностей вращающегося оборудования с несбалансированными данными. «Механическая» система. «Сигнал» Процесс »

    2019, №141, 106441.

    21. Wang, J.; Ma, Y.; Zhang, L.; Gao, RX; Wu, D.Deeplearningforsmartproduction : Methodsand

    applications.J.Manuf.Syst.2018, 48, 144–156.

    22. LeCun, Y.; Boser, B.; Denker , J.S.; Henderson, D.; Howard, RE; Hubbard, W.; Jackel, LDBackpropagation

    Прикладывается кручномуZipкодуRecognition.NeuralComput 1989, 1, 541–551.

    23. Lecun, Y .; Bengio, Y.Convolutional NetworksforImages, Speech, andTime ‐ Series.Handb. BrainTheory

    NeuralNetw.1995, 3361 (10), 255–258.

    24. Lo, C.-C.; Lee, C.-H.; Huang , W.-C.ПрогнозподшипникаиоборудованияИспользованиеконволюционнойНейральной сети

    с функциейГибриднаяпотеря.Датчики2020, 20, 3539.

    25. Chen, Z.; Gryllias, K.; Li, W. Диагностика механических неисправностей с использованиемконволюционных нейронных сетей и

    ExtremeLearningMachine.Mech.Syst.SignalProcess.2019, 133, 106272.

    26. Wang, S.; Xiang, J.; Zhong , Y.; Zhou, Y.Convolutionalneuralnetwork-basedhiddenMarkovmodelsfor

    Rollingelementbearingfaultidentification.Knowl.-BasedSyst2018, №144, №65–76.

    27. Janssens, O.; Slavkovikj, V.; Vervisch, B.; TockStockman, K.; Loccufier, M.; Verstockt, S.; VandeWalle, R.; Van

    Hoecke, S.ConvolutionalNeuralNetwork На основе «Обнаружение неисправностей» для вращающегося оборудования.J.SoundVib.2016, 

    377, 331–345.

    28. Chen, L.; Xu, G. ; Zhang, S.; Yan, W.; Wu, Q.индикаторздоровьяконструкцияоборудованияна основеконечно-

    конечныхобучаемыхконволюционныхповторных neuralnetworks.J.Manuf.Syst.2020, 54, 1–11.

    29. Mao, W.; Tian, ​​S.; Fan, J.;  Лян, X .; Safian, A.Онлайнобнаружение неисправности подшипника сполу-

    контролируемойархитектурой иглубокимфункциональнымпредставлением.J.Manuf.Syst. .

    30. Fu, H.; Ma, H.; Wang, G.; Zhang, X.; Zhang, Y. fusion

    сверточная нейронная сетьдляобученияколичестваколесногообучениянаостаточногообученияНейрокомпьютинга

    2019, 395, 178–187. Подшипники осевой коробки железнодорожного подвижного состава по методу нарезки

    Неисправности смазки подшипников буксы могут привести к несчастным случаям, таким как прогорание подшипников и горячая резка оси.В настоящее время при моделировании динамики системы «автомобиль-путь» редко учитывается нелинейная контактная нагрузка подшипников буксы, что приводит к несовершенству расчета динамики системы «автомобиль-путь». Кроме того, трудно получить характеристики распределения нагрузки и смазки подшипников буксы. Поэтому в этой статье мы полностью рассматриваем изменяющуюся во времени нелинейную контактную нагрузку подшипников и неровности пути при создании модели динамики сцепления системы подшипник-колесо-рельс.Динамический отклик подшипников буксы достигается за счет принятия вертикальной, сильной, изменяющейся во времени нагрузки на несущие опоры в качестве внешнего возбуждения. Затем получается уравнение баланса нагрузки для смазки под динамическим давлением в соответствии с методом нарезки подшипниковых роликов. Наконец, разработана модель эластогидродинамической смазки (EHL) подшипников буксы с учетом тепловых и масштабных эффектов. Результаты показывают, что толщина центральной пленки при термической ЭДЖ уменьшилась на 13.61% по сравнению с изотермической ЭДЖ. По мере увеличения скорости контактной пары разница в толщине термической и изотермической ЭДЖ увеличивалась. В модели EHL следует учитывать тепловые эффекты, чтобы точно отразить характеристики EHL при высокой скорости.

    1. Введение

    Подшипник буксы автомобильной гусеничной системы является стержневым компонентом тележки транспортного средства, который несет множество сложных стохастических нагрузок между тележкой и гусеницей.Срок службы и надежность подшипников буксовой коробки могут повлиять на безопасность автомобиля. Однако неправильная смазка может привести к серьезным несчастным случаям, например, порезанию горячей оси. Хорошая смазка подшипника в значительной степени увеличивает срок службы и производительность подшипника.

    Был проведен ряд исследований по проектированию транспортно-путевых систем [1–9]. Исследователи в основном уделяют внимание системе колесной тележки и общим характеристикам системы транспортного средства, поэтому они рассматривают подшипники буксовой коробки и колесные пары в целом [5–9].Чтобы изучить смазочные характеристики подшипников буксы, необходимо получить историю нагрузки подшипников во времени путем создания модели динамики, связанной с системой подшипник-колесо-рельс. В последние годы исследования EHL в основном были сосредоточены на исследованиях теоретических моделей и технологии тестирования. Некоторые ученые изучали смазочные характеристики высокоскоростных вращающихся машин теоретически или экспериментальными методами [10, 11]. Янг и Вен [12] предложили обобщенное уравнение Рейнольдса для неньютоновской тепловой ЭДЖ.Ронг-Цонг и Чао-Хо [13] предложили быстрое и точное решение связанных уравнений теплового ЭДЖ. Хабчи и Исса [14, 15] получили связанные стратегии и решение для конечно-элементного моделирования тепловых задач ЭДЖ. Hili et al. [16] исследовали влияние скорости и температуры на толщину пленки на основе экспериментального исследования тепловой ЭДЖ. На основе уравнения Навье-Стокса модель теплового ЭДЖ конечных контактных линий была установлена ​​Брюйером и др. [17], учитывая сильно неньютоновское поведение и тепловые эффекты смазочных материалов.Михайлидис и др. [18] предложили новую тепловую модель ЭДЖ конечных линейных контактов, учитывающую внешний профиль роликов, неньютоновские свойства и характеристики недостаточной смазки. Влияние краевого контакта конечных контактных линий на тепловую ЭДЖ исследовали Наджари и Гильбо [19]. Wu et al. [20] предложили тепловую модель EHL оптимизированной пары кулачок-толкатель в гладком контакте и в основном исследовали влияние температуры на THL пары кулачок-толкатель. Лю и др. [21, 22] в основном изучали влияние нагрузки и скорости на тепловые характеристики EHL пары косозубых зубчатых колес.В настоящее время большинство ученых [17–22] изучали тепловые модели ЭДЖ конечных линейных контактов, которые состоят из двух цилиндрических поверхностей, синтетическая кривизна которых постоянна, поэтому модель ЭДЖ не требуется для учета масштабного эффекта контактных пар. .

    Короче говоря, в то время как ученые добились успехов в динамике колеса и рельса, они игнорировали влияние нелинейных контактных сил на систему подшипников. Такое упрощение модели влияет на правильность расчетов динамики транспортного средства и пути, и поэтому распределение нагрузки на подшипник не может быть получено точно.Таким образом, трудно получить условия граничной нагрузки для исследования характеристик смазки подшипников буксы. В последние годы ученые провели глубокие исследования теплового ЭДЖ конечных контактных линий и рассмотрели многие ключевые факторы, такие как неньютоновские, масштабные и тепловые эффекты смазочных материалов в теоретической модели [17–22]. Однако они не разработали тепловую модель конических роликовых подшипников EHL, основанную на эффекте масштаба между дорожкой качения ролика и кольца.В то же время, насколько нам известно, литературы по смазочным характеристикам подшипников буксы автомобиля пока не появилось.

    Это исследование направлено на сначала создание модели динамики, связанной с системой подшипник-колесо-рельс, а затем получение динамической реакции подшипников буксы в соответствии с сильной, изменяющейся во времени нагрузкой на несущие опоры. Затем создается тепловая модель EHL подшипников буксы на основе нагрузки на подшипник и теории EHL. Кроме того, учитывается масштабный эффект конических роликовых подшипников, и применяется метод нарезки, чтобы установить уравнение баланса нагрузки при смазке под динамическим давлением.Трехмерная комплексная задача трансформируется в линейно-контактную задачу теплового ЭДЖ, а затем численное решение получается с использованием многосеточного метода. Наконец, изучается закон распределения консистентной смазки по давлению и толщине, а также анализируются смазочные характеристики подшипника. Таким образом, это исследование имеет большое теоретическое и инженерное значение для интенсивных исследований и проектирования системы смазки для подшипников буксирной коробки.

    2. Материалы и методы
    2.1. Модель спаренной динамики системы колесная пара-рельс

    Система колесная пара-рельс в основном состоит из буксы, подшипников буксы, оси колеса, колес и рельсов. Наружное кольцо подшипника и адаптер соединены с натягом, как и внутренние кольца и ось колесной пары. Колесо установлено с обеих сторон оси. Колесная пара напрямую контактирует с рельсами.

    Седло подшипника подвергается вертикальному воздействию на подшипник, и нелинейная нагрузка подшипника передается на колесную пару.Наконец, колесная пара передает нагрузку на гусеницу, а неровность колеи влияет на колесную пару транспортного средства. Исходя из принципа работы, распределение усилий системы подшипник-колесо-рельс [23] показано на рисунке 1. k cy и c cy эквивалентны по радиальной жесткости и радиальному демпфированию. адаптеров; и — динамическое возбуждение на правом адаптере и левом адаптере, а F r1 и F r2 — силы контакта подшипников буксы.


    2.1.1. Моделирование системы переходник-подшипник

    На основе метода сосредоточенных параметров анализируется характеристика подшипниковой муфты. Адаптер, внешнее кольцо подшипника и внутреннее кольцо подшипника считаются массой соответственно. Силовая диаграмма системы колесо-рельс показана на рисунке 1. Получено дифференциальное уравнение динамики: где и — эквивалентная масса левого переходника и внутреннего кольца подшипника, а — вибрационные смещения левого переходника и левого подшипника, и — вибрационные смещения правого переходника и правого подшипника.

    Вибрационные характеристики подшипника — это совокупное влияние его конструктивных параметров и внутреннего геометрического движения под действием внешних нагрузок [24, 25]. В этой статье принята гипотеза жесткого кольца, в которой внешнее кольцо рассматривается как материальная точка, а опорные ролики и внутреннее кольцо — как еще одна массовая точка.

    Схематическая диаграмма усилия подшипника показана на рисунке 2. δ r — радиальное смещение наружного кольца подшипника, а δ wn — нормальное смещение ролика при. α i , α e и α f — угол контакта, угол конуса ролика и угол фланца соответственно.


    Уравнение радиального баланса двухрядных конических роликоподшипников [23]: где K — жесткость контакта ролика и дорожки качения, H — функция состояния контакта оценочного ролика, i — число подшипникового ряда, а Z — количество подшипников с однорядными роликами.

    2.1.2. Колесо-рельсовая модель

    Поскольку рельс и колесо являются упругими телами, взаимодействие между ними можно описать с помощью классической нелинейной теории контакта Герца. и, которые представляют собой нормальные контактные силы систем колесо-рельс, будут получены с помощью теории контакта [7]: где G — коэффициент контакта колеса с рельсом, и — упругое сжатие левого и правого колеса. рельсовые системы.

    Основываясь на безбалластной железнодорожной системе заглубленного типа с длинными шпалами, в этой статье мы используем модель балки Эйлера [26], силовая модель которой показана на рисунке 1 (c), где и — левое колесо-рельс. контактная сила и контактная реакция соответственно.Скорость колесной пары — это сила реакции на шпалы и количество упругих опор на непрерывной бетонной плите. — функция смещения вертикальной вибрации гусеницы. и — жесткость и демпфирование гусеницы соответственно.

    2.2. Тепловая модель подшипников буксы EHL
    2.2.1. Параметры контактной пары

    Предполагая, что ролики и дорожка качения подвергаются непрерывному чистому качению, эквивалентная скорость и интегральная кривизна контактной пары между роликом и дорожкой качения могут быть получены следующим образом: где — скорость внутреннего кольца подшипника; — диаметр произвольного сечения ролика; , где — радиус внутренней дорожки качения, а — радиус внешней дорожки качения; — интегрированные кривизны внутренней дорожки качения; и — интегрированная кривизна внешней дорожки качения, которая является эквивалентной скоростью контактной пары.

    2.2.2. Теоретическая модель EHL

    Сила, действующая на элемент в смазочной пленке в направлении x , показана на рисунке 3, при условии, что на элемент жидкости действует давление жидкости p и напряжение сдвига τ . « — поверхностные скорости в направлениях x , y и z соответственно. Скорость u является основной составляющей скорости, за которой следует. z проходит по направлению толщины пленки, и его значение намного меньше, чем x или y .Следовательно, поверхность dxdz не имеет напряжения вязкого сдвига в направлении x .


    Одномерное уравнение Рейнольдса для жидкости, основанное на основной модели пластичной смазки Гершеля – Балкли, где — реологический индекс смазки, — толщина пленки, — пластическая вязкость, а τ с — текучесть напряжение сдвига смазки.

    Толщина пленки состоит из двух частей: жесткого смещения и упругой деформации.Когда ролик и дорожка качения находятся в контакте, уравнение толщины пленки в точке x имеет вид: h 0 — толщина пленки в центре, если предполагается, что поверхности жесткие, R — интегральный радиус кривизны. , а также упругая деформация смещения за счет деформации давлением.

    Схема деформации линейной нагрузки показана на рисунке 4. Согласно основной теории упругой механики, упругое смещение каждого узла на поверхности контактного тела получается следующим образом: где — линейно-контактная нагрузка функция распределения; — расстояние между произвольной линейной нагрузкой и началом координат; и — начальная и конечная координаты нагрузки соответственно; и c — неопределенная константа.


    Уравнение вязкости, зависящее от давления и температуры: где T — температура смазки, а T 0 — начальная температура, обычно принимаемая равной 303 K.

    Уравнение плотности получено на основе экспериментальная кривая. Зависимость плотности от давления [27] определяется как где — плотность смазки при нулевом давлении.

    Потери тепла в основном зависят от теплопроводности, температура является важным фактором для высокоскоростной смазки, и, таким образом, уравнение энергии имеет следующий вид: где — удельная теплоемкость при постоянном давлении, а k — коэффициент теплопередачи.

    2.2.3. Уравнение баланса нагрузки

    Предполагая, что контактная нагрузка роликов равномерно распределена в подшипнике осевой коробки, и основываясь на принципе смазывания контактной смазкой, уравнение баланса нагрузки составляется на основе метода нарезки. Принцип метода нарезки следующий: (1) разрезать опорный ролик по направлению образующей на отдельные части; (2) анализировать давление пленки и толщину каждой единицы среза; и (3) для получения давления пленки подшипника и распределения толщины.Схема подшипникового ролика для конкретного метода нарезки показана на рисунке 5. С помощью метода нарезки можно удобно и эффективно преобразовать трехмерную сложную задачу EHL в задачу линейного контакта. Таким образом, в значительной степени упрощается вычислительная сложность и повышается эффективность решения.


    Решение проблемы линейного контакта EHL осуществляется при определенных условиях нагрузки. Давление смазочной пленки должно соответствовать условию баланса нагрузки.Таким образом, уравнение баланса нагрузки находится где — внешнее возбуждение опорных роликов; для линейного контакта — линейная нагрузка.

    Уравнение (11) безразмерно и дискретизировано, и, таким образом, уравнение дискретизированной нагрузки представляет собой линейную контактную нагрузку пластины -го одиночного роликоподшипника.

    2.2.4. Граничное уравнение

    Уравнение тангенциальной скорости нижней и верхней поверхностей ролика подшипника: u 1 и u 2 — уравнения тангенциальной скорости нижней и верхней поверхностей подшипника, соответственно, и s — отношение скольжения подшипника к качению.

    Поскольку контактное тело находится в подвижном состоянии, расчет температуры на контактной поверхности может быть сведен к задаче теплопроводности с движущимся источником тепла в полубесконечном пространстве. Граничное уравнение двух контактных поверхностей: k 1 и k 2 — теплопроводности двух материалов контактных поверхностей, соответственно, c 1 и c 2 их удельные соответственно, и ρ 1 и ρ 2 их плотности соответственно.

    2.2.5. Численный анализ

    Для повышения устойчивости расчета необходимо обезразмерить уравнение теплового ЭДЖ. Расчетная площадь составляет X в = −4 и X из = 1. Дискретизированные уравнения получаются методом конечных разностей, а релаксационная итерация давления и толщины пленки затем решается многосеточной метод [28, 29]. Наконец, численное решение получается на самой плотной сетке.Многосеточный метод разделен на шесть слоев, а опорный ролик разделен на 30 частей по направлению образующей. Блок-схема расчета теплового уравнения ЭДЖ показана на рисунке 6.


    2.3. Конструктивные параметры

    На инженерном примере было проанализировано распределение динамической нагрузки на подшипник буксы автомобиля и тепловые характеристики THL. Здесь в качестве экземпляра использовался подшипник буксы. Параметры конструкции такого подшипника буксы и системы колесная пара / гусеница показаны в таблице 1.Параметры консистентной смазки для подшипников приведены в таблице 2.

    Модель Точность Точность каждой схемы неисправности
    0 1 2 3 4 5 7 10 11
    CNN 0,89 1 1 1 1 1 1 1 0,3463 1 0,3461 1
    SIF-CNN 0,978 1 1 0,98 1 1 1 1 1
    SSIF-CNN 1 1 1 1 1 1 1 1 1 1 1 1 902

    показывает, как матрица неточностей тщательно записывает результаты классификации диагноза для различных состояний подшипников, включая как информацию о классификации, так и информацию о неправильной классификации.Ось ординат матрицы неточностей представляет фактическую метку каждого состояния подшипника, а горизонтальная ось представляет собой прогнозируемую метку. Следовательно, элемент на главной диагонали мультиклассовой матрицы путаницы представляет точность классификации диагноза для каждого состояния. Как показано на a, b, CNN не может классифицировать состояние подшипника 7 и состояние подшипника 10. Наименьшая точность достигается в условии 10 для обучения, а тестирование — в условии 7. Из c, d видно, что самая низкая точность происходит в условии 10 для обучения SIF-CNN, а тестирование — в условии 5.Как показано в e, f, предлагаемый метод позволяет точно классифицировать все типы неисправностей.

    Матрица смешения трех моделей для первого испытания.

    Метод t -распределенное стохастическое встраивание соседей [35] (t-SNE) применяется для извлечения визуализаций признаков, а двумерные распределения диаграммы рассеяния приведены в. По d можно четко классифицировать особенности различных типов неисправностей. SSIF-CNN может эффективно извлекать особенности наборов данных с различными категориями разломов и разной глубиной разломов.

    2D-визуализация изученных функций: ( a ) необработанные данные, ( b ) общие CNN, ( c ) SIF-CNN и ( d ) SSIF-CNN.

    Чтобы дополнительно проиллюстрировать возможности предлагаемой модели в диагностике неисправностей подшипников, здесь в качестве сравнительных исследований применяются два дополнительных широко используемых интеллектуальных метода. Обучающие и тестовые образцы вводятся в SVM и BPNN. Описание параметров SVM и BPNN следующее [25]: (1) SVM: ядро ​​RBF, штрафной коэффициент равен 7 и радиус ядра равен 0.1; (2) BPNN: 50 единиц в скрытом слое; скорость обучения регулируется по дискретному лестничному графику, который снижает скорость обучения вдвое на 200 итераций; начальная скорость обучения равна 0,2, тип решателя — «SGD», а импульс равен 0,1. Конкретные настройки параметров модели BPNN показаны в.

    Таблица 8

    Специальные параметры настройки нейронной сети обратного распространения (BPNN).

    слой 29 × 50
    Слой Параметры Размер вывода Функция активации
    Входной слой 29 значений функций 29 × 1
    Сигмоид
    Уровень классификации n нейроны 50 × n Softmax

    Из-за случайной инициализации весов производительность модели одинакова. разные в разных тренировочных процессах.Таким образом, проводится десять повторных испытаний, основанных на стратегии случайно выбранных образцов. Точности обучения и тестирования десяти испытаний показаны в. показывает эффективность классификации различных моделей, полученную в десяти повторных экспериментах.

    Точности десяти испытаний: ( a ) точность обучения и ( b ) точность тестирования.

    Таблица 9

    Среднее время обучения и точность каждой модели. SVM: машина опорных векторов.

    902 99,1%
    Модель Время обучения Точность обучения Точность тестирования
    CNN 167,3 с 91,8% 91,63 CNN 98,2%
    SSIF-CNN 124,2 с 99,5% 98,6%
    SVM 181,1 с 82,5% 79.8%
    BPNN 253,3 с 78,3% 72,6%

    Как показано в, точность обучения предложенной модели достигает 100% в шести из десяти испытаний, а точность тестирования достигает 100% в четырех из десяти испытаний. Все точности предложенной модели поддерживают уровень точности выше 95%, что показывает, что предложенная модель имеет отличные характеристики не только с точки зрения высокой точности классификации, но также и с точки зрения устойчивости классификации.Как показано на рисунке, нормальная CNN имеет среднюю точность обучения 91,8% и точность тестирования 91,6%, а среднее время обучения составляет около 167,3 с. Среднее время обучения SIF-CNN составляет около 192,8 с, средняя точность обучения составляет 99,1%, а средняя точность тестирования составляет 98,2%. Среднее время обучения точности тестирования SSIF-CNN составляет около 124,2 с, средняя точность обучения составляет 99,5%, а средняя точность тестирования составляет 98,6%. SVM и BPNN плохо справляются с классификацией и требуют больше времени для завершения обучения модели.

    Из-за меньшего количества параметров полностью подключенного уровня в структуре SSIF-CNN скорость обучения модели выше, а точность тестирования немного улучшена. SSIF-CNN не только контролирует сложность машинного обучения, но также имеет более высокую скорость сходимости и более высокие коэффициенты идентификации.

    4.2. Проверка приложения

    4.2.1. Данные Описание

    Данные о неисправностях подшипников буксы получены с помощью испытательного стенда для прокатки поездов Национальной инженерной лабораторией высокоскоростных поездов.Как показано на рисунке, испытательный стенд состоит из двигателей нагрузки, ведущих колес, датчиков ускорения, датчиков скорости и национальной системы сбора данных (NI). Двигатель нагрузки приводит во вращение ведущие колеса, а колесо высокоскоростного поезда в качестве ведомого колеса приводится в движение для имитации фактических условий работы высокоскоростного поезда.

    Стенд для прокатки высокоскоростных поездов.

    Восемь подшипников качения, собранные при ремонте локомотива, устанавливаются на испытательный поезд, и их состояние указано в.Несколько экспериментов проводятся в разных рабочих условиях, и данные о вибрации собираются с частотой дискретизации 20 кГц.

    Таблица 10

    Состояние подшипников буксы. IRF: неисправность внутренней гонки, ORF: неисправность внешней гонки и BF: неисправность шара.

    Номер подшипника 1 2 3 4 5 6 7 8
    Тип неисправности Нормальный ORF BF + ORF ORF Нормальный ORF ORF IRF + ORF

    Использованы наборы данных, полученные в ходе эксперимента со скоростью 200 км / ч. для выявления и классификации неисправностей подшипников букс.В этом эксперименте скорость вращения оси составляет 1233 об / мин, и учитываются пять видов дефектов: BF + ORF, IRF + ORF и ORF трех различных размеров. показывает информацию об экспериментальных наборах данных. Каждое состояние подшипника имеет 200 обучающих образцов и 200 испытательных образцов, и каждый образец содержит 2048 точек данных. Общее количество обучающих выборок — 1200 (200 × 6), тестовых — тоже 1200 (200 × 6).

    Таблица 11

    Описание наборов данных.

    ORF
    Состояние подшипника Тип неисправности Глубина повреждения Размер обучающей выборки / тестовой выборки
    Нормальный 1 200/200 2 200/200
    IRF + ORF 3 200/200
    ORF 4 Малый 200/200 5 Средний 200/200
    ORF 6 Большой 200/200
    4.2.2. Результаты диагностики

    После смешивания образцов вся партия образцов вводится в обучающие модели для десяти повторных экспериментов, а результаты первого испытания показаны в. Общая CNN сойдется после 546 итераций, а средняя точность обучения составляет 95,8%. Точность SIF-CNN достигает 100% после 392 итераций. Скорость сходимости SSIF-CNN с 258 итерациями намного выше, чем у обычных CNN и SIF-CNN.

    Точность различных CNN с итерациями.

    Подробно перечислены характеристики точности классификации неисправностей для трех моделей. показывает спецификации точности классификации обучающих выборок, а показывает то же самое для тестовых выборок. В процессе обучения CNN точность условий пеленга 4 и 5 достигает только 93% и 86%, тогда как все точности модели SIF-CNN поддерживают уровни выше 92%. SSIF-CNN классифицирует все обучающие выборки с точностью до 100%. В процессе тестирования точность условий подшипников 4 и 5 по CNN достигает только 85% и 82% соответственно, а модель SIF-CNN имеет точность классификации не менее 90%.SSIF-CNN классифицирует все обучающие выборки с точностью до 100%.

    Таблица 12

    Точность классификации обучающих выборок.

    2 9030 903 0,946 3 3 CNN 1 1
    Модель Точность Точность каждого состояния подшипника
    1 2 3 4 5 6
    1 1 0.93 0,86 0,99
    SIF-CNN 0,985 1 1 1 0,99 0,92 1
    1
    1 1 1 1

    Таблица 13

    Точность классификации исследуемых образцов.

    94
    Модель Точность Точность каждого состояния подшипника
    1 2 3 4 5 6
    1 1 1 0,85 0,82 0,97
    SIF-CNN 0,98 1 1 0,9463 1 1 SSIF-CNN 1 1 1 1 1 1 1

    показывает, что матрица неточностей тщательно записывает результаты классификации диагноза различных состояний подшипников, включая информация о классификации и информация об ошибочной классификации.Как показано на a, b, CNN не может классифицировать состояние подшипника 4 и состояние подшипника 5. Наименьшая точность достигается в условии 5 для обучения, а точность тестирования — в условии 5. Это видно из c, d, в которых самая низкая точность достигается в условии 5 для обучения SIF-CNN, а точность тестирования — в условии 5. Как показано на e, f, предлагаемый метод может точно классифицировать все типы ошибок. .

    Матрица смешения трех моделей для первого испытания.

    Функциональное представление полносвязного уровня SSIF-CNN сокращено до двумерного распределения с помощью t-SNE.Как показано на, особенности различных типов неисправностей могут быть четко классифицированы, что указывает на то, что SSIF-CNN является эффективным подходом для классификации неисправностей осевых подшипников высокоскоростных поездов.

    Диаграмма эффекта кластеризации функций: ( a ) необработанные данные и ( b ) SSIF-CNN.

    Точности обучения и тестирования для десяти испытаний показаны в. Как показано на фиг.3, точность обучения предложенной модели достигает 100% в семи из десяти испытаний, а точность тестирования достигает 100% в трех из десяти испытаний.Все точности предложенной модели поддерживают уровень точности выше 95%, что показывает, что предложенная модель имеет отличные характеристики не только с точки зрения высокой точности классификации, но также и с точки зрения устойчивости классификации. Классификационные характеристики различных моделей, полученные в результате десяти повторных экспериментов с максимальным количеством итераций 2000, перечислены в. Из-за меньшего количества параметров средняя скорость обучения SSIF-CNN, равная 64,8 с, намного выше, чем у обычных CNN и SIF-CNN.По сравнению с результатом случая 1, SIF-CNN имеет больше параметров, но время обучения короче, чем обычная CNN, что показывает, что объединение неглубокой информации с полностью подключенным слоем может повысить эффективность обучения.

    Точности десяти испытаний: ( a ) точность обучения и ( b ) точность тестирования.

    Таблица 14

    Время обучения и точность каждой модели.

    902
    Модель Время обучения Точность обучения Точность теста
    CNN 112.4 с 95,5% 93%
    SIF-CNN 105,6 с 98,5% 94,5%
    SSIF-CNN 64,8 с
    SVM 119,5 с 86% 79,5%
    BP 162,6 с 81% 77,5%

    5. В скоростных поездах контроль отказов подшипников буксирной коробки требует строгих требований к надежности и в реальном времени.Чтобы решить эту проблему, мы предложили метод диагностики неисправностей подшипников буксы высокоскоростных поездов на основе новой модели CNN для повышения вычислительной эффективности и диагностической точности диагностики неисправностей в этой статье. Предлагаемый подход использует преимущество мелкой информации при уменьшении размерности параметров модели CNN, чтобы сократить время обучения и повысить точность диагностики неисправностей. Два тематических исследования проводятся для проверки эффективности предложенной модели, и результаты показывают, что SSIF-CNN имеет более высокую точность распознавания и более высокую скорость сходимости.

    В будущих работах метод диагностики неисправностей подшипников буксы на основе SSIF-CNN нуждается в дальнейшей оптимизации. Выбор чувствительных функций может быть выполнен для повышения эффективности диагностики. Конструкция SSIF-CNN, такая как номер слоя и количество нейронов в каждом слое, должна быть оптимизирована для достижения лучшей адаптируемости. Кроме того, следует применять метод сквозного глубокого обучения на основе SSIF-CNN для обнаружения неисправности подшипника буксы с использованием необработанного сигнала ускорения, а не ввода признака сигнала.

    Вклад авторов

    Концептуализация, L.B .; методология, Х.Л .; программное обеспечение, H.L .; валидация, Л. и C.P .; формальный анализ, H.L. and D.H .; расследование, H.L. and D.H .; ресурсы, H.L. and C.P .; data curation, H.L. and C.P .; письмо — подготовка оригинального проекта, H.L. и C.P .; написание — просмотр и редактирование, H.L. и C.P .; визуализация, H.L. и C.P .; надзор, ЛБ .; администрация проекта, L.B. и привлечение финансирования, L.B. Все авторы прочитали и согласились с опубликованной версией рукописи.

    Финансирование

    Эта работа поддержана Национальным фондом естественных наук Китая в рамках гранта № 51675064.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов.

    Ссылки

    1. Симондс Н., Корни И., Вуд Р.Дж.К., Васенчук А., Винсент Д. Наблюдение за повреждением подшипников оси рельсов на ранней стадии. Eng Fail. Анальный. 2015; 56: 216–232. DOI: 10.1016 / j.engfailanal.2015.02.008. [CrossRef] [Google Scholar] 2. Вале К., Бонифасио К., Сибра Дж., Calçada R., Mazzino N., Elisa M., Terribile S., Anguita D., Fumeo E., Saborido C., et al. Новые эффективные технологии в Европе для мониторинга состояния подшипников моста — проект MAXBE. Трансп. Res. Процедуры. 2016; 14: 635–644. DOI: 10.1016 / j.trpro.2016.05.313. [CrossRef] [Google Scholar] 3. Амини А., Энтезами М., Папаэлиас М. Обнаружение на борту дефектов подшипников железнодорожных осей с использованием анализа огибающей высокочастотных сигналов акустической эмиссии. Case Stud. Неразрушенный. Контрольная работа. Eval. 2016; 6: 8–16. DOI: 10.1016 / j.csndt.2016.06.002. [CrossRef] [Google Scholar] 4. Ли Ю., Лян X., Лин Дж., Чен Ю., Лю Дж. Обнаружение неисправностей подшипников оси поезда с использованием многомасштабного морфологического фильтра на основе схемы выбора характеристик. Мех. Syst. Сигнал. Процесс. 2018; 101: 435–448. DOI: 10.1016 / j.ymssp.2017.09.007. [CrossRef] [Google Scholar] 5. Ли Ю., Чжан В., Сюн К., Лу Т., Мэй Дж. Новая модель диагностики неисправностей подшипников железнодорожных транспортных средств с использованием сигналов вибрации на основе извлечения симметричных характеристик альфа-стабильного распределения.Shock Vib. 2016; 2016: 5714195. DOI: 10.1155 / 2016/5714195. [CrossRef] [Google Scholar] 6. Йи К., Лин Дж., Чжан В., Дин Дж. Диагностика неисправностей подшипников железнодорожных осей на основе алгоритма индекса уверенности МВФ для ансамблевого EMD. Датчики. 2015; 15: 10991–11011. DOI: 10,3390 / s150510991. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 7. Йи К., Ван Д., Фан В., Цуй К., Лин Дж. Индексы устойчивого состояния на основе EEMD и их применение для мониторинга состояния и диагностики неисправностей осевых подшипников железных дорог.Датчики. 2018; 18: 704. DOI: 10,3390 / s18030704. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 8. Шао Х., Цзян Х., Чжан Х., Дуань В., Лян Т., Ву С. Изучение особенностей неисправностей подшипников качения с использованием улучшенной сверточной сети глубоких убеждений со сжатым зондированием. Мех. Syst. Сигнальный процесс. 2018; 100: 743–765. DOI: 10.1016 / j.ymssp.2017.08.002. [CrossRef] [Google Scholar] 9. Шао Х., Цзян Х., Лин Й., Ли Х. Новый метод интеллектуальной диагностики неисправностей подшипников качения с использованием множества глубинных автодатчиков.Мех. Syst. Сигнальный процесс. 2018; 102: 278–297. DOI: 10.1016 / j.ymssp.2017.09.026. [CrossRef] [Google Scholar] 10. Лэй Ю., Ян Б., Цзян X., Цзя Ф., Ли Н., Нанди А.К. Приложения машинного обучения к диагностике машинных сбоев: обзор и дорожная карта. Мех. Syst. Сигнальный процесс. 2020; 138: 106587. DOI: 10.1016 / j.ymssp.2019.106587. [CrossRef] [Google Scholar] 11. Бен Али Дж., Фнайек Н., Саиди Л., Чебель-Морелло Б., Фнаих Ф. Применение эмпирической разложения мод и искусственной нейронной сети для автоматической диагностики неисправностей подшипников на основе сигналов вибрации.Прил. Акуст. 2015; 89: 16–27. DOI: 10.1016 / j.apacoust.2014.08.016. [CrossRef] [Google Scholar] 12. Ван М., Хоанг Д.Т., Канг Х.Д. Диагностика неисправностей подшипников с использованием машинного классификатора опорных векторов вейвлетов с оптимизацией роя частиц. Датчики. 2020; 20: 3422. DOI: 10,3390 / с20123422. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 13. Чен Дж., Рэндалл Р. Б. Интеллектуальная диагностика дефектов подшипников в двигателях внутреннего сгорания с помощью моделирования вибрации. Мех. Мах. Теория. 2016; 104: 161–176.DOI: 10.1016 / j.mechmachtheory.2016.05.022. [CrossRef] [Google Scholar] 14. Lei Y., He Z., Zi Y. Метод EEMD и WNN для диагностики неисправностей роликовых подшипников локомотивов. Эксперт Syst. Прил. 2011; 38: 7334–7341. DOI: 10.1016 / j.eswa.2010.12.095. [CrossRef] [Google Scholar] 15. Тан Б., Сун Т., Ли Ф., Дэн Л. Диагностика неисправностей для системы передачи ветряных турбин на основе обучения коллектора и векторной машины поддержки вейвлетов Шеннона. Обновить. Энергия. 2014; 62: 1–9. DOI: 10.1016 / j.renene.2013.06.025. [CrossRef] [Google Scholar] 16.Батиста Л., Бадри Б., Сабурин Р., Томас М. Система сплавления классификаторов для диагностики неисправностей подшипников. Эксперт Syst. Прил. 2013; 40: 6788–6797. DOI: 10.1016 / j.eswa.2013.06.033. [CrossRef] [Google Scholar] 17. Пурушотам В., Нараянан С., Прасад С.А.Н. Диагностика множественных неисправностей элементов подшипников качения с использованием вейвлет-анализа и распознавания неисправностей на основе скрытой марковской модели. NDT E Int. Indep. Неразрушенный. Контрольная работа. Eval. 2005. 38: 654–664. DOI: 10.1016 / j.ndteint.2005.04.003. [CrossRef] [Google Scholar] 18. Лей Ю., He Z., Zi Y., Hu Q. Диагностика неисправностей вращающегося оборудования на основе комбинации нескольких ANFIS с GA. Мех. Syst. Сигнальный процесс. 2007. 21: 2280–2294. DOI: 10.1016 / j.ymssp.2006.11.003. [CrossRef] [Google Scholar] 19. Хайдонг С., Хункай Дж., Синцю Л., Шуайпенг В. Интеллектуальная диагностика неисправностей подшипников качения с использованием автокодировщика с глубоким вейвлетом и экстремальной обучающей машиной. Система на основе знаний. 2018; 140: 1–14. DOI: 10.1016 / j.knosys.2017.10.024. [CrossRef] [Google Scholar] 20. Хэ З., Шао Х., Ченг Дж., Zhao X., Yang Y. Поддержка тензорной машины с динамическими штрафными коэффициентами и ее применение для диагностики неисправностей вращающегося оборудования с несбалансированными данными. Мех. Syst. Сигнальный процесс. 2019; 141: 106441. DOI: 10.1016 / j.ymssp.2019.106441. [CrossRef] [Google Scholar] 21. Ван Дж., Ма Ю., Чжан Л., Гао Р. X., Ву Д. Глубокое обучение для интеллектуального производства: методы и приложения. J. Manuf. Syst. 2018; 48: 144–156. DOI: 10.1016 / j.jmsy.2018.01.003. [CrossRef] [Google Scholar] 22. ЛеКун Ю., Бозер Б., Денкер Дж.С., Хендерсон Д., Ховард Р.Э., Хаббард В., Джекел Л.Д. Обратное распространение, применяемое для распознавания рукописного почтового индекса. Neural Comput. 1989; 1: 541–551. DOI: 10.1162 / neco.1989.1.4.541. [CrossRef] [Google Scholar] 23. Лекун Ю., Бенжио Ю. Сверточные сети для изображений, речи и временных рядов. Handb. Нейронная сеть теории мозга. 1995; 3361: 255–258. [Google Scholar] 24. Ло К.-К., Ли С.-Х., Хуанг В.-К. Прогноз износа подшипников и шестерен с использованием сверточной нейронной сети с функцией гибридных потерь. Датчики.2020; 20: 3539. DOI: 10,3390 / с20123539. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 25. Чен З., Гриллиас К., Ли В. Диагностика механических неисправностей с использованием сверточных нейронных сетей и машины экстремального обучения. Мех. Syst. Сигнальный процесс. 2019; 133: 106272. DOI: 10.1016 / j.ymssp.2019.106272. [CrossRef] [Google Scholar] 26. Ван С., Сян Дж., Чжун Ю., Чжоу Ю. Скрытые марковские модели на основе сверточной нейронной сети для идентификации неисправностей подшипников качения. Система на основе знаний. 2018; 144: 65–76.DOI: 10.1016 / j.knosys.2017.12.027. [CrossRef] [Google Scholar] 27. Янссенс О., Славковик В., Вервиш Б., Стокман К., Локкуфьер М., Верстокт С., Ван де Валле Р., Ван Хёке С. Обнаружение неисправностей вращающегося оборудования на основе сверточной нейронной сети. J. Sound Vib. 2016; 377: 331–345. DOI: 10.1016 / j.jsv.2016.05.027. [CrossRef] [Google Scholar] 28. Chen L., Xu G., Zhang S., Yan W., Wu Q. Построение индикаторов работоспособности оборудования на основе непрерывных обучаемых сверточных рекуррентных нейронных сетей.J. Manuf. Syst. 2020; 54: 1–11. DOI: 10.1016 / j.jmsy.2019.11.008. [CrossRef] [Google Scholar] 29. Мао В., Тиан С., Фан Дж., Лян X., Сафиан А. Онлайн-обнаружение зарождающегося разлома подшипника с полууправляемой архитектурой и представлением глубоких особенностей. J. Manuf. Syst. 2020; 55: 179–198. DOI: 10.1016 / j.jmsy.2020.03.005. [CrossRef] [Google Scholar] 30. Фу Х., Ма Х., Ван Г., Чжан X., Чжан Ю. MCFF-CNN: Многоуровневая комплексная сверточная нейронная сеть слияния функций для распознавания цвета транспортных средств на основе остаточного обучения.Нейрокомпьютеры. 2019; 395: 178–187. DOI: 10.1016 / j.neucom.2018.02.111. [CrossRef] [Google Scholar] 31. Чжан К., Чен Дж., Чжан Т., Чжоу З. Компактная сверточная нейронная сеть, дополненная функцией многомасштабного извлечения собранных данных мониторинга для механической интеллектуальной диагностики неисправностей. J. Manuf. Syst. 2020; 55: 273–284. DOI: 10.1016 / j.jmsy.2020.04.016. [CrossRef] [Google Scholar] 32. Мэн К., Сун К., Гуан С., Ван К., Цзун Р., Лю Л. Мультимасштабная плотная сверточная нейронная сеть для сегментации цереброваскулярной системы DSA.Нейрокомпьютеры. 2020; 373: 123–134. DOI: 10.1016 / j.neucom.2019.10.035. [CrossRef] [Google Scholar] 33. Хуан В., Ченг Дж., Ян Ю., Го Г. Усовершенствованная глубокая сверточная нейронная сеть с многомасштабной информацией для диагностики неисправностей подшипников. Нейрокомпьютеры. 2019; 359: 77–92. DOI: 10.1016 / j.neucom.2019.05.052. [CrossRef] [Google Scholar] 35. Ван дер Маатен Л.Дж.П., Хинтон Г.Э. Визуализация многомерных данных с помощью t-SNE. J. Mach. Учить. Res. 2008; 9: 2579–2605. [Google Scholar]

    Реализация нового алгоритма одновременной идентификации неисправностей колесных пар и букс на основе эффективной нейронной сети с механизмом внимания

  • Bu, X., Ву, Ю., Гао, З., и Цзя, Ю. (2019). Глубокая сверточная сеть с ограничениями локальности и разреженности для классификации текстур. Распознавание образов, 91, 34–46. https://doi.org/10.1016/j.patcog.2019.02.003.

    Артикул Google Scholar

  • Чолле, Ф. (2017). Xception: глубокое обучение с разделенными по глубине свертками. В материалах конференции IEEE по компьютерному зрению и распознаванию образов (стр.1800–1807). https://doi.org/10.1109/cvpr.2017.195.

  • Cummins, N., Baird, A., & Schuller, B. W. (2018). Анализ речи для здоровья: современное состояние и растущее влияние глубокого обучения. Методы, 151, 41–54. https://doi.org/10.1016/j.ymeth.2018.07.007.

    Артикул Google Scholar

  • Дин, Дж. (2018). Обнаружение неисправностей подшипника колесной пары высокоскоростного поезда с использованием метода сверточного разреженного кодирования с реакцией на ударную нагрузку. Измерение, 117, 108–124. https://doi.org/10.1016/j.measurement.2017.12.010.

    Артикул Google Scholar

  • Гоял Д., Чоудхари А., Пабла Б. С. и Дхами С. С. (2020). Система бесконтактной диагностики неисправностей подшипников на основе опорных векторов. Journal of Intelligent Manufacturing, 31 (5), 1275–1289. https://doi.org/10.1007/s10845-019-01511-x.

    Артикул Google Scholar

  • Хан, К., Ван, Ю., Тиан, К., Го, Дж., Сюй, К., и Сюй, К. (2020). GhostNet больше возможностей от дешевых операций. arXiv: 1911.11907.

  • Ханнеманн, Р., Кёстер, П., и Сандер, М. (2019). Рост усталостных трещин в осях колесных пар при изгибающих и крутильных нагрузках. Международный журнал усталости, 118, 262–270. https://doi.org/10.1016/j.ijfatigue.2018.07.038.

    Артикул Google Scholar

  • Он, К., Чжан, X., Рен, С., и Сун, Дж. (2016). Глубокое остаточное обучение для распознавания изображений. В Труды конференции IEEE по компьютерному зрению и распознаванию образов (стр. 770–778). https://doi.org/10.1109/cvpr.2016.90.

  • Хоанг Д. и Канг Х. (2019). Опрос по диагностике неисправностей подшипников на основе глубокого обучения. Neurocomputing, 335, 327–335. https://doi.org/10.1016/j.neucom.2018.06.078.

    Артикул Google Scholar

  • Ховард, А.Г., Чжу, М., Чен, Б., Калениченко, Д., Ван, В., Вейанд, Т. и др. (2017). MobileNets: эффективные сверточные нейронные сети для приложений мобильного зрения. arXiv: 1704.04861.

  • Иандола, Ф. Н., Хан, С., Москевич, М. В., Ашраф, К., Далли, В. Дж., И Койцер, К. (2016). SqueezeNet: точность на уровне AlexNet с 50-кратным сокращением параметров и размером модели <0,5 МБ. arXiv: 1602.07360.

  • Крижевский А., Суцкевер И., & Хинтон Г. Э. (2012). Классификация ImageNet с глубокими сверточными нейронными сетями.В Труды 26-й ежегодной конференции по нейронным системам обработки информации (Том 2, стр. 1097–1105). https://doi.org/10.1145/3065386.

  • Лекун, Ю., Боттоу, Л., Бенжио, Ю., и Хаффнер, П. (1998). Применение градиентного обучения для распознавания документов. В протоколе Proceedings of the IEEE (Vol. 86, No. 11, pp. 2278–2324). https://doi.org/10.1109/5.726791.

  • Li, J., Li, X., He, D., & Qu, Y. (2020a). Метод диагностики неисправностей неконтролируемого вращающегося оборудования, основанный на интегрированном SAE-DBN и двоичном процессоре. Журнал интеллектуального производства . https://doi.org/10.1007/s10845-020-01543-8.

    Артикул Google Scholar

  • Ли, X., Li, J., Zhao, C., Qu, Y., & He, D. (2020b). Диагностика точечной коррозии зубчатых колес в смешанных условиях эксплуатации на основе адаптивной одномерной раздельной свертки с остаточным соединением Механические системы и обработка сигналов . https://doi.org/10.1016/j.ymssp.2020.106740.

    Артикул Google Scholar

  • Li, X., Чжан, В., и Дин, К. (2019). Понимание и улучшение диагностики неисправностей подшипников качения на основе глубокого обучения с помощью механизма внимания. Обработка сигналов, 161, 136–154. https://doi.org/10.1016/j.sigpro.2019.03.019.

    Артикул Google Scholar

  • Ли, X., Zhang, W., Ding, Q., & Sun, J. (2018). Интеллектуальная диагностика неисправностей вращающегося оборудования на основе глубокого обучения с использованием дополнения данных. Журнал интеллектуального производства, 31 (2), 433–452. https://doi.org/10.1007/s10845-018-1456-1.

    Артикул Google Scholar

  • Лян, П., Дэн, К., Ву, Дж., Ян, З., Чжу, Дж., И Чжан, З. (2019). Комплексная диагностика неисправностей редукторов с помощью сверточной нейронной сети с несколькими метками и вейвлет-преобразования. Компьютеры в промышленности . https://doi.org/10.1016/j.compind.2019.103132.

    Артикул Google Scholar

  • Линь Т.-Й., Петр, Д., Гиршик, Р., Хе, К., Харихаран, Б., и Белонги, С. (2017). Функциональные пирамидальные сети для обнаружения объектов. В Труды конференции IEEE по компьютерному зрению и распознаванию образов (стр. 2117–2125).

  • Лю Р., Ван Ф., Ян Б. и Цинь С. Дж. (2020). Остаточная сверточная нейронная сеть на основе многомасштабного ядра для диагностики неисправностей двигателя в нестационарных условиях. IEEE Transactions по промышленной информатике, 16 (6), 3797–3806.https://doi.org/10.1109/tii.2019.2941868.

    Артикул Google Scholar

  • Лю, Х., Яо, Д., Ян, Дж., И Ли, X. (2019). Легкая сверточная нейронная сеть и ее применение для диагностики неисправностей подшипников качения в различных рабочих условиях. Датчики (Базель) . https://doi.org/10.3390/s1

  • Угол контакта кольца ( α e )

    Подшипник оси Колесная пара / гусеничная система

    Средний диаметр ролика (мм) D w 25,715 Масса рельса с единичной длиной (кг / м) м r 60,64
    Количество роликов 22 (N / модуль упругости рельса) м 2 ) E 2.059 e 11
    Эквивалентная длина контакта (мм) l 57 Инерция поперечного сечения рельса (м 4 ) I 3,217 e 25 −5 9 ° 59′6 ″ Жесткость рельсовых накладок (Н / м) k p 6.5 e 7
    Внутреннее кольцо угол контакта ( α i ) 7 ° 52 ′ Демпфирование колодки рельса (Н · с / м) c p 7.5 e 4
    Угол контакта фланца ( α f ) 81 ° 4 ′ Общее количество заказов NM 156
    Масса наружного кольца подшипника (кг) м b 15,2 Масса адаптера (кг) м c 77,2

    9242 9402 9402 940 924 924 930 924 924 924 9242 внутреннее кольцо подшипника (об / мин) Плотность смазки (кг / м 3 )
    795
    Синтетический модуль упругости (Па) 2.21 e 11
    Реологический индекс () 0,98
    Начальная температура (° C) 30
    Начальная кинематическая вязкость (Па · с) 0,15 890
    Коэффициент теплопередачи консистентной смазки (Вт / м · ° C) 0,14
    Коэффициент теплопередачи подшипника (Вт / м · ° C) 46
    Удельная теплоемкость консистентной смазки (Дж · кг −1 · K −1 ) 2000
    Удельная теплоемкость подшипника (Дж · кг −1 · K −1 ) 470
    Начальная плотность подшипника (кг / м 3 ) 7850

    2.4. Неровность пути

    Спектр безбалластного пути принимается в качестве входных данных выборки для неоднородности пути. Безбалластная неровность пути высокоскоростной железной дороги описывается степенной функцией кусочно, и спектр пути каждого участка длины волны выражается равномерно [26]: где единица измерения — мм 2 / (1 / м), f — пространственная частота (1 / м) и A и n являются подгоночными коэффициентами.

    В соответствии со спектром мощности случайной неоднородности дорожек, амплитуда и фаза спектра регистрируются методом периодограммы, а затем с помощью обратного быстрого преобразования Фурье (IFFT) получается выборка моделирования нерегулярности дорожки во временной области.В соответствии с методом численного моделирования спектра пути, образец вертикальной неровности пути показан на рисунке 7.


    3. Результаты

    Скорость и интегральная кривизна контактной пары для подшипников буксы показаны на рисунке 8. По мере увеличения диаметра ролика общая кривизна внешней и внутренней дорожки качения увеличивается, а кривизна внешней дорожки качения больше внутренней.

    3.1. Нагрузка на подшипник

    В соответствии с моделью динамики пары подшипник-колесо-рельс и нагрузкой под несущими опорами можно получить динамику нагрузки роликов подшипника буксы.График нагрузки ролика максимальной нагрузки подшипников буксы показан на рисунке 9.

    3.2. Распределение пленки

    На рис. 10 показано распределение толщины пленки и давления в зоне контакта между внутренней / внешней дорожкой качения и роликом. На рисунке 11 представлено распределение давления и толщины пленки вдоль образующей ролика в условиях внутреннего и внешнего контакта.

    Как показано на Рисунке 11, максимальное давление пленки в центре контакта поверхности внутреннего и внешнего контактов дорожки качения равно 0.778 и 0,690 ГПа соответственно, а минимальная толщина пленки составляет 0,561 и 0,613 мкм м соответственно. На рисунках 11 (a) и 11 (b) показано, что толщина пленки ролика в центральной зоне уменьшается на 8,5% от большого конца к малому вдоль направления образующей, а давление пленки увеличивается на 4%.

    3.3. Влияние условий работы

    На рисунках 12 и 13 правило изменения давления и толщины пленки достигается при различных нагрузках и скоростях контактной нагрузки, соответственно.

    Максимальное давление пленки возрастает с увеличением нагрузки, представляя разнообразие линий и скорость изменения давления 1,6 МПа / кН, как показано на Рисунке 12 (c). На рисунке 12 (d) показано, что минимальная и средняя толщины пленки уменьшаются с увеличением нагрузки, а также представлены различные линии, но изменение амплитуды не является значительным.

    Рисунок 13 (c) показывает, что максимальное контактное давление уменьшается с увеличением скорости контактной пары, в то время как давление почти не изменяется.Рисунок 13 (d) показывает, что минимальная и средняя толщины пленки увеличиваются с увеличением скорости контактной пары, представляя разнообразие линий, а скорость изменения толщины составляет 0,12 мкм м · с / м.

    3.4. Тепловое воздействие на EHL

    Условия смазки малого конца ролика хуже, чем у большого конца ролика. Таким образом, были проанализированы давление пленки и толщина поперечного сечения малого конца ролика. На рисунке 14 показаны результаты сравнения изотермической и термической смазки EHL на основе модели смазки.

    На рис. 14 (а) показано, что амплитуда скачка давления составляет 0,778 ГПа, а давление контактного центра составляет 0,777 ГПа в условиях теплового ЭДЖ. В условиях изотермической ЭДЖ амплитуда скачка давления составляет 1,092 ГПа, а давление контактного центра — 0,799 ГПа. Амплитуда скачка давления увеличивается на 36,65% больше, чем давление контакт-центра. Рисунок 14 (b) показывает, что минимальная толщина пленки составляет 0,561 мкм м; средняя толщина пленки в области контакта [-1, 1] равна 0.660 мкм м в условиях теплового ЭДЖ. В условиях изотермической ЭДЖ минимальная толщина пленки составляет 0,589 мкм мкм; средняя толщина пленки в области контакта [-1, 1] составляет 0,764 мкм м.

    Давление и толщина пленки зависят от скорости контактной пары. На рисунке 15 представлены распределения давления и толщины изотермической и термической пленки ЭДЖ при различных скоростях контактной пары.

    По сравнению с пленками при изотермическом ЭДЖ, давление и толщина пленки при тепловом ЭДЖ значительно отличаются.С увеличением скорости контактной пары разница в давлении и толщине между термическим и изотермическим ЭДЖ быстро увеличивается. Толщина пленки и амплитуда скачков давления теплового ЭДЖ очень чувствительны к скорости контактной пары. Рисунок 15 (г) показывает, что амплитуда скачка давления составляет 1,187 ГПа и увеличивается на 52,8% больше, чем при изотермической ЭДЖ, когда скорость контактной пары составляет 4 м / с. Рисунок 15 (ж) показывает, что толщина пленки термической ЭДЖ в центральной зоне контакта равна 0.730 μ м и на 19,7% меньше, чем у изотермической ЭДЖ.

    4. Обсуждение

    Подшипник буксы является ключевым несущим элементом колесной системы транспортного средства, а его динамика и параметры смазки напрямую влияют на безопасную работу поезда. В этой статье мы создали динамическую модель модели динамики подшипника-колесо-рельс, которая учитывает нелинейную контактную нагрузку на подшипник, а затем мы получили распределение нагрузки и историю нагрузок на ролики подшипника, которые обеспечивают граничные условия для динамических анализ характеристик и конструкции смазки подшипников буксы.В то же время, учитывая масштабный эффект ролика и дорожки качения, мы создали тепловую теоретическую модель EHL, основанную на теории расслоения подшипников и роликов, которая обеспечивает теоретическую основу для проектирования системы смазки подшипников буксы автомобиля.

    Нельзя игнорировать масштабный эффект ролика и дорожки качения с точки зрения тепловых характеристик EHL подшипников буксы. На рисунке 10, по сравнению с контактом внутренней дорожки качения, давление в центре поверхностного контакта внешнего контакта дорожки качения меньше, а толщина пленки больше.Таким образом, смазка внешней дорожки качения лучше, чем внутренней. На рисунках 11 (c) и 11 (d) давление пленки в центральной части ролика постепенно увеличивается по мере приближения к центру контакта, и в выходной зоне наблюдается амплитуда скачка давления. Толщина пленки смазки в зоне контакта плавно изменяется, но на выходе отчетливо видны явления образования шейки. Bruyere et al. получили аналогичные результаты, установив модель ЭДЖ с конечными линейными контактами [17–19].В то же время модель ЭДЖ Mihailidis et al. [18] не учитывает масштабный эффект дорожки качения ролика, поэтому давление и толщина пленки в направлении образующей ролика одинаковы. Наджари и Гильбо [19] установили модель EHL, учитывающую граничный эффект ролика (изменение кривизны края ролика), причем давление пленки и толщина промежуточной области ролика также не изменяются вдоль направления образующей ролика, в то время как давление пленки резко увеличивается по краю валика.Однако мы видим из рисунков 11 (a) и 11 (b) вдоль направления образующей, что толщина пленки ролика уменьшается на 8,5% от большого конца к меньшему, а давление пленки увеличивается на 4%. . Максимальное давление пленки и минимальная толщина пленки конических роликовых подшипников приходится на ролик подшипника малого конца, поэтому смазка ролика на узком конце хуже. Масштабный эффект ролика и дорожки качения приводит к изменению давления и толщины пленки в средней части ролика.Таким образом, при исследовании модели EHL с конечным линейным контактом масштабный эффект ролика и дорожки качения является ключом к точному получению распределений давления и толщины.

    Смазочные характеристики подшипников буксы различаются по чувствительности к нагрузке и скорости. На рисунке 12 при определенной скорости контакта давление пленки более чувствительно к нагрузке, чем толщина пленки, а скорость изменения давления составляет 1,6 МПа / кН. На рисунке 13 при определенных условиях нагрузки толщина пленки более чувствительна к скорости движения контактной пары, чем к давлению пленки, а скорость изменения толщины пленки равна 0.12 мкм м · с / м. Исследование Hili et al. [16], основанный на эксперименте, показывает, что с быстрым увеличением скорости контактной пары, толщина пленки в области контакта быстро увеличивается, что согласуется с результатами этой статьи относительно изменения толщины пленки. Следовательно, необходимо проверять давление пленки при ударной нагрузке, чтобы предотвратить пластическую деформацию, вызванную высоким давлением пленки. При этом также необходимо учитывать влияние резкого падения скорости контактной пары на толщину пленки в условиях торможения, чтобы предотвратить сухое шлифование подшипников из-за слишком малой толщины пленки.

    Температура имеет большое влияние на толщину пленки в модели EHL. На рисунке 14 показано, что максимальное давление пленки термической ЭДЖ уменьшилось на 28,77% больше, чем давление в изотермической ЭДЖ, в то время как давление контактного центра уменьшилось на 2,67%. Эти результаты показывают, что температура мало влияет на давление контактного центра, но имеет большое влияние на формирование амплитуды скачка давления. По сравнению с изотермической ЭДЖ минимальная толщина пленки уменьшена на 4.84%, а средняя толщина пленки уменьшается на 13,61%. Ву изучал влияние тепловых и изотермических моделей EHL на линейно-контактные кулачковые пары [20], и результаты, представленные в этой статье, согласуются с результатами Ву.

    Исследование влияния скорости на анализ теплового ЭДЖ показало, что по сравнению с изотермическим и тепловым ЭДЖ давление и толщина пленки сильно различаются в зависимости от скорости контактной пары. На рисунке 15 толщина пленки термической ЭДЖ всегда меньше, чем толщина пленки изотермической ЭДЖ.Между тем, с увеличением скорости контактной пары разница в толщине пленки между термической ЭДЖ и изотермической ЭДЖ увеличивается. Этот вывод согласуется с результатами исследования Лю о влиянии скорости на линейный контакт EHL в зубчатых парах [21]. Следовательно, необходимо учитывать тепловые эффекты смазки при исследовании термического ЭДЖ с конечным контактом высокоскоростных подшипников буксы. Скорость также является ключевым фактором, влияющим на тепловые характеристики ЭДЖ.

    5.Выводы

    В этой статье были полностью учтены неровности пути при построении модели динамики, связанной с системой подшипник-колесо-рельс, и получена история динамических нагрузок на подшипники буксы. Уравнение баланса нагрузки и тепловая модель EHL были получены в соответствии с методом нарезки опорных роликов. Численное решение показало, что давление пленки в центральной части ролика постепенно возрастает по мере приближения к центру контакта и что амплитуда скачка давления в выходной зоне равна 0.778 ГПа. Толщина пленки смазки в зоне контакта плавно изменяется, но в области выхода ясно видны явления образования шейки; минимальная толщина пленки 0,561 мкм мкм. Характеристики смазки среди факторов, влияющих на анализ чувствительности, показали, что давление пленки чувствительно к нагрузке, а давление увеличивается с увеличением нагрузки. Толщина пленки зависит от скорости контактной пары, а толщина пленки уменьшается с уменьшением скорости контактной пары.Согласно анализу теплового воздействия на ЭДЖ, результаты показали, что толщина центральной пленки при термической ЭДЖ уменьшилась на 13,61% по сравнению с толщиной при изотермической ЭДЖ. По мере увеличения скорости контактной пары разница в толщине термического и изотермического ЭДЖ увеличивалась. Таким образом, тепловые эффекты следует учитывать в модели EHL, чтобы действительно отражать характеристики высокоскоростного EHL.

    Доступность данных

    Все данные, включенные в это исследование, доступны по запросу, связавшись с соответствующим автором.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов.

    Благодарности

    Эта работа была поддержана Национальной программой ключевых исследований и разработок Китая (№ 2018YFB1306701), Национальным фондом естественных наук Китая (№ 51875076), NSFC-Liaoning United Key Fund (№ U1708255) и Фондом открытия Государственной опорной лаборатории щитовых станков и расточной техники (№ СКЛСТ-2018-К04).

    Диагностика неисправности подшипника буксы поезда на основе параметров множества характеристик

    Отказ подшипника буксы поезда приведет к большим потерям.В настоящее время техническое обслуживание подшипников букс поездов по состоянию стало предметом исследований во всем мире. Сигналы вибрации, создаваемые подшипником буксы поезда, имеют нелинейные и нестационарные характеристики. Методы, используемые при традиционной диагностике неисправностей подшипников, плохо работают с осевой коробкой поезда. Для решения этой проблемы в статье представлен эффективный метод диагностики неисправностей подшипников буксы на основе параметров множества характеристик. Этот метод можно разделить на три части: выделение слабого сигнала неисправности, выделение признаков и распознавание неисправностей.В первой части вейвлет db4 используется для шумоподавления исходных сигналов от датчиков вибрации. Во второй части извлекаются пять параметров во временной области, пять характеристик энергии-момента ММП и две характеристики отношения амплитуд. Последние семь характеристик частотной области вычисляются на основе эмпирического разложения по модам и анализа спектра огибающей. В третьей части разработан классификатор неисправностей на основе нейронной сети БП для автоматического распознавания образов неисправностей. Для проверки предложенного метода проводится серия испытаний, которые показывают, что точность превышает 90%.

    1. Введение

    Как один из ключевых компонентов железнодорожного подвижного состава, рабочее состояние подшипника буксы имеет существенное влияние на безопасность движения. Эффективная диагностика неисправностей подшипников буксы за счет использования технического обслуживания по состоянию (CBM) для замены нынешнего широко распространенного использования временного обслуживания и ремонта после сбоев не только позволяет избежать аварий с поездами, но также может значительно снизить эксплуатационные расходы на железнодорожный транспорт. . Диагностика неисправностей подшипников на основе анализа сигналов вибрации является одним из основных методов диагностики неисправностей в отрасли.В течение последних нескольких десятилетий анализ спектра Фурье широко использовался в области анализа сигналов. Однако есть некоторые важные ограничения на использование преобразования Фурье. Например, сигнал, генерируемый проверяемой машиной, должен быть линейным и стационарным; в противном случае результаты спектра Фурье не имели бы физического смысла. К сожалению, сигналы вибрации, создаваемые подшипником буксы поезда, часто нестационарны и нелинейны. Следовательно, преобразование Фурье не может удовлетворить требованиям диагностики неисправностей подшипников буксы во время работы поезда.

    Чтобы преодолеть ограничения преобразования Фурье, Хуанг предложил метод эмпирического разложения по модам (EMD) [1]. Этот метод может эффективно обрабатывать нелинейные и нестационарные сигналы путем разложения сигнала на серию одночастотных компонентов IMF. Многие исследователи использовали EMD для нелинейной и нестационарной обработки сигналов. В 2006 году Yu и Junsheng [2] проанализировали сигнал вибрации подшипника качения с точки зрения энтропии энергии EMD и рассчитали энергию IMF как признак неисправности.В 2007 году Ян и др. [3] проанализировал спектр огибающей IMF и рассчитал отношение амплитуд неисправности и использовал машину опорных векторов для классификации неисправностей. В 2010 году Tang et al. [4] извлекли признаки неисправности подшипников качения, объединив разложение морфологии по сингулярным значениям с EMD. В 2012 году Бин и др. [5] объединили декомпозицию вейвлет-пакетов с EMD, чтобы создать контраст между энергией IMF и энергией-крутящим моментом IMF и извлеченной энергией-крутящим моментом IMF как зарождающейся особенностью неисправности вращающегося оборудования.

    В большинстве литературных источников в качестве вектора признаков неисправности используется один тип параметров объекта. Чтобы полностью отразить состояние подшипников буксы поезда, в данной статье предлагается метод диагностики неисправностей, основанный на многопозиционных параметрах подшипников буксы поезда. В этом методе диагностики, во-первых, используется метод вейвлет-разложения для устранения шумов в сигналах вибрации; затем метод разложения EMD для шумоподавленных сигналов используется для выделения признаков.Система диагностики неисправностей подшипников извлекает 12 функций, которые включают 5 статистических параметров во временной области, 5 характеристик энергии-момента IMF и 2 характеристики отношения амплитуды. Эти 12 признаков позволяют различать четыре типа состояния подшипника, а именно: нормальный подшипник, неисправность внешнего кольца, неисправность внутреннего кольца и неисправность тела качения. В конце концов, на основе нейронной сети БП реализован классификатор неисправностей для автоматического определения неисправности подшипников буксы поезда.

    2. Принцип алгоритма EMD

    Алгоритм EMD, предложенный Хуангом, используется для анализа нестационарных сигналов путем постепенного разделения сигнала на различные масштабные колебания или тенденции для создания серии одночастотных компонентов IMF.Алгоритм EMD может лучше отражать локальные характеристики сигналов [6] по сравнению с методом вейвлет-анализа. Прежде чем использовать метод EMD для разложения сложного сигнала, будут сделаны следующие предположения [1]: сигнал состоит из серии IMF; каждый IMF имеет одинаковые экстремальные точки и номер точки пересечения нуля; обе огибающие, покрывающие локальные максимумы и локальные минимумы, имеют нулевое среднее значение. EMD можно рассматривать как обработку с адаптивной фильтрацией, и шаги можно описать следующим образом.

    Расчет верхней огибающей сигнала. Для данного сигнала определите все локальные максимальные значения сигнала, а затем трижды используйте метод интерполяции с помощью сплайна порядка для подгонки к верхней линии огибающей сигнала.

    Расчет нижней огибающей сигнала. Определите все локальные минимальные значения сигнала, а затем трижды используйте метод интерполяции сплайна порядка, чтобы получить нижнюю линию огибающей сигнала.

    Вычисляя среднее значение верхней линии огибающей и нижней линии огибающей, вычитая исходный сигнал из среднего значения огибающей, мы получаем разницу.

    Определить, удовлетворяет ли условие IMF; в противном случае выполните вторую проверку и возьмите новые исходные данные.Повторите шаг за шагом; тогда вычитание между и его средним значением огибающей будет

    Если по-прежнему не удовлетворяет условие IMF, то повторяйте вышеупомянутые времена процесса до тех пор, пока не сможете удовлетворить условию. Первый IMF сигнала обозначается как:

    Отдельно от исходного сигнала; тогда можно получить остаточный член:

    Повторите описанный выше процесс, принимая остаточный член в качестве новых исходных данных, пока остаточный член не станет монотонной функцией или не станет меньше заданного значения после раз.На этом процесс разложения исходного сигнала завершен и может быть выражен как

    . Используя вышеупомянутый метод, мы получим n IMF и остаточный член, который показывает, что длина цикла случайного сигнала больше, чем Составляющие частоты дискретизации и длина цикла обычно отображаются как линейная или медленно меняющаяся ошибка тренда, также известная как тренд сигнала. При последующем анализе этим часто пренебрегают.

    3. Анализ сигнала неисправности на основе EMD

    На рисунке 1 показан исходный сигнал вибрации подшипника буксы с повреждением наружного кольца.


    Чтобы выявить эффективные признаки неисправности подшипников буксы, исходный сигнал вибрации вначале шумоподавлен. Фактические сигналы и зашумленные сигналы в вейвлет-области имеют разные свойства, а амплитуды вейвлет-коэффициентов имеют разные тенденции изменения в зависимости от масштабов вейвлет-разложения. При увеличении масштаба вейвлет-разложения амплитуда фактического вейвлет-коэффициента сигнала остается постоянной, в то время как амплитуда вейвлет-коэффициента шумового сигнала будет уменьшаться до нуля с большей скоростью.Таким образом, метод вейвлет-разложения является очень эффективным методом обработки сигнала с шумоподавлением. На сегодняшний день разработано несколько баз вейвлетов. Среди них серии DB, особенно вейвлет DB4, широко используются в области обнаружения переходных сигналов. Шумы в сигнале обнаружения неисправности от осевой коробки поезда являются типичными переходными сигналами, поэтому вейвлет DB4 очень эффективен для их устранения. В этой статье 5-слойный вейвлет DB4 используется для устранения шума. Сигнал с шумоподавлением показан на рисунке 2.


    Разложив шумоподавленный сигнал вибрации с помощью алгоритма EMD, будут получены 11 IMF и 1 остаток. Поскольку алгоритм EMD имеет конечный эффект, разложение приведет к ложным компонентам IMF. В этой статье используется метод коэффициента корреляции для устранения ложных компонентов IMF [7]. Различные IMF и коэффициент корреляции шумоподавленного вибрационного сигнала показаны в таблице 1, из которой можно увидеть, что, и IMF являются явно ложными компонентами, и они должны быть включены в остаток.В этой статье 8 IMF и 1 остаток выбираются методом коэффициента корреляции, как показано на рисунке 3, из которого видно, что все 8 компонентов соответствуют характеристикам IMF.

    930 930 930 930 930 930 930 9284 9242 902 9284 9242 900 9284 9242 900 9284 9242 9242 Извлечение признаков на основе статистических параметров во временной области

    Статистические параметры временной области были разделены на два типа: размерные и безразмерные. Недостатком размерных статистических параметров является то, что их значения будут меняться при изменении нагрузки, скорости и других условий.Хотя безразмерные статистические параметры не имеют этих недостатков, в данной статье адаптируются пять безразмерных параметров временной области; это величина эксцесса, пик-фактор, коэффициент зазора, импульсный коэффициент и коэффициент формы. Расчеты для этих пяти факторов показаны ниже.

    Величина эксцесса:

    Пик-фактор:

    Коэффициент зазора:

    Коэффициент импульса:

    Коэффициент формы следующий: где — пиковое значение; — среднеквадратичное значение; — значение амплитуды квадратного корня; и является средней абсолютной величиной.

    Эти параметры характеристики во временной области не только имеют более высокую чувствительность к неисправности подшипника буксы, но также имеют устойчивую взаимосвязь с состоянием неисправности подшипника буксы.

    4.2. Извлечение признаков на основе IMF Energy-Torque

    Временная шкала и энергия, распределенная по временной шкале, являются двумя основными параметрами сигнала при извлечении признаков неисправности. По сравнению с сигналом вибрации от нормального подшипника энергия сигнала вибрации от неисправного подшипника будет сильно отличаться в той же полосе частот.Энергия сигнала вибрации, исходящего от неисправного подшипника, будет увеличиваться в одной полосе частот, тогда как энергия будет уменьшаться в другой полосе частот. Более того, разные типы неисправностей будут иметь разное распределение; следовательно, идентификация неисправности подшипника буксы может быть выполнена в соответствии с энергией и регулярностью распределения различных частотных составляющих сигнала.

    Сигнал вибрации от подшипника буксы содержит множество нелинейных и нестационарных компонентов.Большинство методов выделения признаков, основанных на EMD, состоят в том, чтобы разложить сигнал на ряд компонентов IMF. Хотя использование энергии и энтропии энергии для анализа IMF дает лучший эффект, оно игнорирует временные параметры и не может лучше отражать основные характеристики сигнала. В то время как метод выделения признаков с использованием энергии-момента вместо энергии и энтропии энергии и с учетом характеристик распределения IMF на оси времени может лучше описать существенные особенности сигнала и имеет больше преимуществ при выделении признаков неисправности, чем методы, основанные на энергии и энергии. энтропия [5], шаги расчета энергии-момента ММП следующие.

    Сначала примените обработку шумоподавления вейвлет-шумом к исходному сигналу вибрации подшипника буксы, чтобы устранить шумовые помехи.

    Разложите шумоподавленный вибрационный сигнал с помощью метода EMD; тогда будет получен IMF ().

    Выберите подходящие компоненты IMF и вычислите энергию крутящего момента из результатов разложения шага; Энергия-крутящий момент IMF может быть рассчитана как

    Для дискретных сигналов формула для расчета энергии-крутящего момента представляет собой общее количество точек выборки, это точки выборки и период выборки.Для каждой выбранной IMF энергии-моменты могут быть рассчитаны по формуле (12).

    Постройте вектор характеристик в элементах энергии-момента: Когда энергия-крутящие моменты больше числовых, нормализуйте, чтобы получить нормализованный вектор характеристик: где

    Формула для расчета энергии-момента IMF:

    Сравнение формулы расчета Из энергии ММП с энергией-моментом ММП, можно видеть, что энергия-момент учитывает размер энергии и статус распределения энергии с временными параметрами, поэтому он может лучше выявить существенные особенности нелинейных и нестационарных сигналов.

    Информация о неисправности подшипника буксы в основном относится к высокочастотному диапазону, поэтому выбираются первые 5 компонентов IMF для расчета его энергии-крутящего момента из результатов разложения EMD.

    4.3. Извлечение характеристик на основе спектра огибающей IMF

    Сигналы вибрации подшипника буксы обычно показывают характеристики модуляции. Когда происходит отказ подшипника буксы из-за усталостного скалывания, он будет генерировать периодические импульсные сигналы низкой частоты. В то же время периодическое воздействие низких частот будет стимулировать присущую подшипнику высокочастотную вибрацию и проявлять явление модуляции.Линии регулярной огибающей модулированной волны могут использоваться для представления низкочастотных ударных импульсных сигналов, генерируемых отказом подшипника от усталостного выкрашивания, поэтому информация о неисправности обычно содержится в огибающей сигнала. Огибающая сигнала отражает воздействие и тяжесть каждого цикла вращения.

    Метод EMD можно рассматривать как адаптивный фильтр, полоса пропускания и центральная частота которого изменяются вместе с самим сигналом. Каждый IMF, полученный EMD, представляет собой однокомпонентный сигнал модуляции.Эти характеристики могут быть использованы для разделения компонентов модуляции, создаваемых отказавшим подшипником буксы [8]. Таким образом он может эффективно извлекать особенности исходного сигнала.

    Преобразование Гильберта — очень эффективный метод демодуляции сигнала. В этой статье преобразование Гильберта используется для расчета сигнала огибающей высокочастотной составляющей IMF; формула:

    После (17) аналитический сигнал IMFs может быть построен как где функция амплитуды равна

    Амплитудные функции являются сигналами огибающей IMF, которые необходимы для последующего процесса анализа.

    Фазовая функция равна

    В соответствии с формулами (18) — (20) каждый компонент IMF может быть выражен как

    Из (21) видно, что каждый компонент IMF представляет собой однокомпонентный сигнал модуляции, который может быть амплитудой или частотная модуляция.

    Согласно знанию подшипников качения, когда подшипник с повреждением наружного кольца работает, определенное пиковое значение (пиковое значение называется частотой неисправности подшипника в подшипниковой промышленности) появится в частотном спектре сигналов вибрации от отказ подшипника.Формула расчета для определенного пикового значения может быть рассчитана [9]: где — относительная частота вращения между внутренним кругом и наружным кольцом, — количество тел качения, — диаметр элементов ролика, — делительный диаметр буксы. подшипник, а — угол контакта. Параметры подшипника, испытанного в этой статье, соответственно, следующие: диаметр шага, мм, диаметр тела качения, мм, количество тел качения, угол контакта и частота вращения Гц.Взяв эти параметры в формулу (22), получим частоту повреждения наружного кольца подшипника буксы Гц.

    Огибающая первого IMF сигнала вибрации от подшипника буксы с повреждением наружного кольца показана на рисунке 4. Сигнал огибающей получается методом демодуляции с преобразованием Гильберта, описанным как выражения (17) — (19).


    Примените быстрое преобразование Фурье к сигналу огибающей, показанному на рисунке 4, и получите спектр огибающей IMF, показанный на рисунке 5, из которого можно увидеть, что спектр огибающей компоненты IMF явно показывает пиковое значение 106.96 Гц, что соответствует характерной частоте повреждения внешнего кольца и его гармоник.


    Аналогичным образом, метод анализа спектра огибающей IMF может также использоваться для распознавания отказов, которые появляются на внутреннем круге, качении подшипника буксы. Для нормального подшипника буксы, спектр огибающей составляющей IMF имеет явные пики только на соответствующей частоте вращения и не имеет явных пиков на других частотах.

    Основываясь на спектре огибающей составляющей ММП, предлагаются две очень эффективные особенности неисправности, называемые отношениями амплитуд [3].Они определяются как отношение амплитуды частоты отказов наружного кольца подшипника буксы, частоты отказов внутреннего круга и частоты отказов тела качения; эти отношения амплитуд: где — амплитуда частоты повреждения внешнего кольца, — амплитуда частоты повреждения внутреннего кольца и — амплитуда частоты повреждения тела качения.

    5. Распознавание образов неисправностей

    Нейронная сеть с обратным распространением ошибок (BP) широко использовалась при распознавании образов неисправностей из-за преимуществ ассоциации, памяти, способности рассуждать, нелинейных характеристик и системной параллельной обработки [10].В этой статье нейронная сеть BP адаптируется в качестве экспертной системы неисправностей для определения состояния исправности подшипника буксы.

    Алгоритм диагностики неисправностей подшипника буксы на основе нейронной сети BP включает три процесса: построение сети, обучение, а также классификацию и идентификацию неисправностей. В этой статье 12 параметров характеристик относятся к статистическим параметрам временной области, энергии-крутящему моменту ММП и отношениям амплитуд характеристик спектра огибающей ММП. Параметры функции разделены на две группы: одна для обучения нейронной сети BP, а другая — для тестирования способности классификации обученной нейронной сети BP.

    Процесс диагностики неисправности подшипника буксы на основе нейронной сети BP можно описать следующим образом.

    Определение входного вектора нейронной сети БП. Извлеките 12 параметров признаков в качестве векторов признаков неисправностей и расположите их как входные векторы нейронной сети BP.

    Кодирование типов неисправностей подшипника буксы. Выходы нейронной сети БП соответствуют разным типам неисправностей подшипника буксы; ожидаемый выходной сигнал для нормального подшипника равен, ожидаемый выходной сигнал для дефектного подшипника внешнего кольца равен, ожидаемый выходной сигнал для дефектного подшипника внутреннего круга равен, а ожидаемый выходной сигнал для дефектного подшипника тела качения равен.

    Определение относительных параметров нейронной сети БП. Предлагаемая в данной статье система диагностики неисправностей подшипников буксы использует трехуровневую нейронную сеть БП. Вектор входных характеристик — это 12 параметров подшипников буксы, а выходные параметры сети — четыре состояния подшипников буксы. Каждый выход содержит 4 элемента. Таким образом, количество узлов входного слоя равно 12; номер узла выходного слоя равен 4. Если номер узла скрытого слоя слишком мал, трудно выполнить требования к обучению; тогда как если слишком много, это увеличит время обучения.В этой статье приняты следующие эмпирические формулы:

    В (24) — номер узла нейрона скрытого слоя, — номер узла нейрона входного слоя, — номер узла нейрона выходного слоя и равен константа от 1 до 10.

    Эмпирическая формула является лишь приблизительной оценкой номера узла скрытого слоя. В практическом применении интервал устанавливается, и значения берутся из интервала; затем методом проб и ошибок определяется оптимальный номер узла скрытого слоя.Чтобы избежать слишком малого или слишком большого влияния узла, интервал устанавливается от 8 до 17. Соответствующая ошибка вывода сети показана в таблице 2. Можно видеть, что, когда нейронная сеть BP достигает меньшей ошибки вывода, номер узла соответствующего скрытого слоя 11.


    IMF 230140 0,179 0,191 0,335 0,521 0,513 0,310 0,172 0,079 0,081 0,042
    30 9287 9287 2 выбирается в качестве передаточной функции выходного слоя, а передаточная функция тангенциального типа S tansig выбирается в качестве передаточной функции скрытого слоя; это означает, что выходы скрытого слоя являются действительными числами от -1 до 1.Traincg выбран в качестве обучающей обучающей функции, которая имеет преимущества небольшого объема памяти и высокой скорости сходимости. Кроме того, когда процедура тренировки не сходится, она автоматически прекращает тренировку. Три параметра обучения сети, относящиеся к методу сопряженного градиента, устанавливаются следующим образом: максимальное количество тренировок установлено на 1000, скорость обучения установлена ​​на 0,05, а целевая ошибка установлена ​​на 0,001.

    Обучение нейронной сети БП.Каждый из четырех видов состояний подшипника буксы имеет 20 групп векторов признаков неисправности, включая нормальный подшипник, неисправность внешнего кольца, неисправность внутреннего круга и неисправность тела качения. Возьмите 10 групп образцов, которые будут использоваться при обучении нейронной сети АД, а остальные 10 групп образцов в качестве тестера. Кривая ошибки обучения нейронной сети BP показана на рисунке 6, и можно увидеть, что, когда количество тренировок достигает 81 раз, ошибка достигает 0,001 и соответствует требованиям точности.Время обучения составляет 1 с.


    Распознавание неисправностей с помощью нейронной сети БП. Для четырех состояний подшипника буксы результаты диагностики показаны в таблице 3. Для четырех типов состояний подшипника буксы правильная частота диагностики составляет 100%, 100%, 90% и 90% соответственно.


    Номер узла 8 9 10 11 12 13 16 17

    Ошибка вывода 0.8806 0,7618 1,0974 0,5284 0,6335 0,6840 1,1221 1,4976 0,9287 0,8793
    0,8793
    9302

    Тип Нормальный Неисправность внешнего кольца Неисправность внутреннего круга Неисправность подвижного тела

    90% 90%

    Статистические параметры временной области в качестве входных данных нейронной сети BP для распознавания неисправностей.Пять статистических параметров во временной области принимаются в качестве входных векторов; номер узла входного сетевого уровня — 5, номер узла скрытого слоя — 11, номер узла выходного слоя — 4, а другие параметры остаются неизменными. На рисунке 7 представлена ​​кривая ошибок обучения нейронной сети BP. Ошибка составляет всего 0,009, когда максимальное количество тренировок достигает 1000; обучение не соответствует требованиям к ошибкам, и процесс длится 10 секунд. Изменение ошибки очень мало, если обучение продолжается; Результат диагностики нейронной сети АД представлен в Таблице 4.Энергия-крутящий момент IMF задается как входной вектор нейронной сети BP для распознавания неисправностей. Пять параметров характеристики энергии-крутящего момента IMF принимаются в качестве входного вектора нейронной сети BP; номер узла входного слоя — 5, номер узла скрытого слоя — 9, номер узла выходного слоя — 4, а другие параметры остаются неизменными. Кривая ошибки обучения показана на рисунке 8. Можно видеть, что ошибка достигает 0,001, когда количество тренировок достигает 446 раз за 5 секунд, и это соответствует требованиям точности.Результат распознавания неисправностей нейронной сети BP показан в Таблице 5.



    Тип Нормальный Неисправность внешнего круга Неисправность внутреннего круга Неисправность подвижного тела 5
    Правильные нормы 100% 90% 90% 90%

    0
    0
    6 9302 9302 9302 9302 9302
    Неисправность внешнего круга Неисправность внутреннего круга Неисправность тела качения

    Правильные скорости 100% 90% 90% 100%


    Соотношения амплитуд характеристик огибающей IMF trum в качестве входных векторов нейронной сети BP для классификации.Два отношения амплитуды спектра огибающей IMF принимаются как входные характеристики нейронной сети BP; номер узла входного сетевого уровня равен 2, номер узла скрытого слоя равен 6, номер узла выходного слоя равен 4, а другие параметры остаются неизменными. Кривая ошибок обучения показана на рисунке 9; ошибка составляет всего 0,087, когда максимальное количество тренировок достигает 1000. Это не соответствует требованиям к ошибке, и процесс длится 10 секунд. Вариация ошибки слишком мала для продолжения обучения.Результат диагностики нейронной сети BP показан в Таблице 6.


    Тип Нормальный Неисправность внешнего круга Неисправность внутреннего круга Неисправность подвижного тела 5
    Правильные ставки 80% 100% 80% 90%


    Анализ результатов.Из приведенных выше результатов, распознавание неисправностей подшипника буксы имеет более высокую точность на основе нейронной сети BP. Если взять несколько параметров функции в качестве входных векторов сети, она будет иметь более быструю сходимость и более высокую точность. Принимая только статистические параметры временной области в качестве входных векторов сети, скорость сходимости низкая, а точность также низкая. Принимая только энергию-крутящий момент IMF в качестве входных векторов сети, скорость сходимости низкая, но точность может соответствовать требованиям.Если взять только характеристики отношения амплитуд спектра огибающей IMF в качестве входных векторов сети, он будет иметь медленную сходимость и низкую точность. Результаты обучения показаны в Таблице 7.

    Несколько параметры объекта −32835 10 Выводы

    (1) Сигналы вибрации подшипников буксы железнодорожного подвижного состава содержат обширную информацию о неисправностях. Нацелен на сигналы вибрации с нелинейными и нестационарными характеристиками, предлагается метод выделения признаков неисправности, сочетающий вейвлет-шумоподавление и EMD. EMD основан на адаптивной декомпозиции сигнала и подходит для работы с нелинейными и нестационарными сигналами, и это эффективный метод выделения признаков. (2) В EMD есть конечные эффекты, которые будут производить ложные компоненты IMF.Компоненты ложных IMF, которые не содержат информации о неисправности, могут быть удалены с помощью метода коэффициента корреляции для расчета IMF и коэффициентов корреляции исходных сигналов. (3) Метод диагностики неисправностей, предложенный в этой статье, может обеспечить точность выше 90%. Система диагностики неисправностей с множеством параметров функции в качестве входных данных имеет лучшее преимущество как по скорости сходимости, так и по точности диагностики.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

    Выражение признательности

    Этот документ поддержан Национальной программой исследований и разработок в области высоких технологий Китая (2011AA110503).

    Blue Line 10 футов x 6 футов x 6 футов 6 дюймов, 2600 кг, тандемный мост, фургон, прицеп BLV26106

    10 футов x 6 футов x 6 футов 6 дюймов, двухосный фургон с закрытым кузовом Описание

    При полезной нагрузке примерно 1970 кг идеально подходит двухосный фургон-фургон Blue Line 10 футов, (3,04 м), , длина, 6 футов, (1,83 м), , ширина, 6 футов, (1,98 м), высота . для всех ваших домашних, развлекательных, промышленных и коммерческих нужд.

    Противоскользящий пол с фенольным покрытием является полностью плоским и не имеет болтов, заклепок, шпилек или любых других креплений, которые могут повредить ваш груз или стать причиной травм при погрузке и разгрузке.

    Простые белые панели коробки из армированного стекловолокном пластика прочные, легко чистятся и обеспечивают идеальную поверхность, на которой можно размещать рекламу или наносить логотипы и графику.

    Сильный и надежный

    Построенные на стальном сварном шасси, оцинкованном методом горячего цинкования, прицепы Blue Line отличаются прочностью и устойчивостью к коррозии.

    Полноразмерные мосты, оснащенные тормозами ALKO, обеспечивают мягкую прогрессивную систему подвески, которая обеспечивает плавность хода независимо от того, полностью или частично загружен прицеп. Это способствует безопасной транспортировке хрупких товаров.

    Он оснащен усиленными коническими роликоподшипниками, которые обеспечивают спокойствие и позволяют сэкономить деньги на обслуживании и ремонте.

    Этот прицеп оснащен литой стальной муфтой Bradley Double Lock, которая намного прочнее и надежнее, чем его аналоги из штампованной стали.Благодаря повышенной безопасности замков соединительной головки Bradley Lockit 1-2 вы почувствуете себя уверенно, зная, что ваш прицеп в безопасности.

    Экономичная буксировка

    Передняя часть прицепа спроектирована с учетом экономии топлива и имеет коническую форму для уменьшения лобового сопротивления, что позволяет сэкономить деньги на расходах на топливо.

    Тип одобрен ЕС

    По состоянию на 29 октября 2012 года все новые прицепы должны соответствовать комплексному одобрению типа в соответствии с законодательством ЕС. Любой новый трейлер, проданный без этого разрешения, считается незаконным.

    Все наши прицепы полностью одобрены, что означает, что они могут быть зарегистрированы и использованы / экспортированы в другие страны ЕС при предъявлении сертификата соответствия, который предоставляется вместе с прицепом.

    Технические характеристики

    • Размер: длина 10 футов (3,04 м) Ширина: 6 футов (1,83 м) Высота: 6 футов 6 (1,98 м)
    • Полная грузоподъемность: 2600 кг
    • Грузоподъемность: 1970 кг
    • Шасси: горячеоцинкованная сварная сталь
    • Ось: Twin Indespension или ALKO
    • Коробка для прицепа: фанера, облицованная стекловолокном, толщиной 11 мм с полупрозрачной крышей из стекловолокна
    • Пол: 12-миллиметровая фанера с антискользящим покрытием фенолом
    • Колеса и шины: 165 R13
    • Тормоза: Автореверс
    • Нажимное колесо: 42 мм
    • Сцепление: Bradley HU3HE
    • Светильники
    • : одобренная ЕС система освещения с вилкой ЕС
    • Утверждение типа: BT2 e4 * 2007/46 * 0471

    Длина (внутренняя): 3.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *


    Сетевой входной вектор Ошибка обучения Время обучения (с) Время обучения

    10 −3 1 81
    Статистические параметры во временной области 10 −2 10 1000
    Энергия-крутящий момент ЭМП 5 446
    Соотношения амплитуд спектра огибающей ММП 10 −1 10 1000

    6