采用轴承测量仪测量的产品圆度为一个估计值，与实际值存在误差，对轴承测量仪测量原理及其测量误差进行了分析，举例分析轴承测量仪的各自测量误差，提出了调整和改进方法，采用组合测量调整方案有效控制了圆度测量误差。

介绍了一种新型的滚动轴承表面形貌测量仪，它采用一种全新的能越过陡峭表面的二维位移传感器和垂直扫描三维工作台组成—个闭环控制系统，将传统的触针移动扫描方式改变为工作台移动扫描方式。在测量工件时，二维位移传感器的测量杠杆总是不断地回到平衡位置，因此即使增大量程，由杠杆转动所引起的测量非线性误差也非常小。该仪器不仅可进行二维轮廓测量，还可进行三维形貌测量，具有大量程、高精度、小测量力和更多测量参数等特点。

基于DSP＋MCU的列车滚动轴承故障诊断系统充分利用了DSP和MCU的信号处理和控制能力，提高了系统的数据处理效率。实验结果表明，该系统通过Hilbert变换法提取出包络信号，利用小波奇异性检测进行故障诊断，取得了很好的效果。

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

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

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

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

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

针对电机设计的需要,根据滚珠轴承特性、润滑、配合和安装方式,介绍了正确选择滚珠轴承的详细步骤。

滚动轴承故障的识别和监测是基于滚动轴承运行状态的监测信息,借助各种检测仪器和先进的检测技术,判断轴承是否存在故障,判定轴承故障的程度及其发展趋势。文中分别对各种滚动轴承故障的识别方法和滚动轴承故障的诊断方法及其特点进行分析研究。