TWI589791B - 液靜壓軸承監測系統及其方法 - Google Patents
液靜壓軸承監測系統及其方法 Download PDFInfo
- Publication number
- TWI589791B TWI589791B TW104135388A TW104135388A TWI589791B TW I589791 B TWI589791 B TW I589791B TW 104135388 A TW104135388 A TW 104135388A TW 104135388 A TW104135388 A TW 104135388A TW I589791 B TWI589791 B TW I589791B
- Authority
- TW
- Taiwan
- Prior art keywords
- hydrostatic bearing
- sensor
- oil
- complex array
- state parameter
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C29/00—Bearings for parts moving only linearly
- F16C29/02—Sliding-contact bearings
- F16C29/025—Hydrostatic or aerostatic
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
- F16C41/008—Identification means, e.g. markings, RFID-tags; Data transfer means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2233/00—Monitoring condition, e.g. temperature, load, vibration
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Description
本揭露係有關一種軸承監測技術,尤指一種液靜壓軸承監測系統及其方法。
液靜壓軸承為一種將具有一定壓力的液壓油輸送至軸承與軸之間的油腔中來形成承載油膜,可有效隔開相互接觸之軸承與軸之間的金屬表面,並產生靜壓力以支撐負載。因此,液靜壓軸承同時具備剛性高、抗震性好、極低摩擦、精度高及誤差平均化等優點。
一個完整的液靜壓軸承構造及原理較複雜,而不容易釐清故障問題點。為解決此問題,現有液靜壓軸承產品多採用感測器直接監視或監控的技術手段。除此之外,尚有定期停機保養來確保液靜壓軸承安全之手段。然而,上述手段僅能在液靜壓軸承故障後,才檢測出其狀態並發出預警,定期停機保養亦有著停機時間較長、操作難度大等缺點,且由於液靜壓軸承構造及原理之複雜,節流器或滑塊之元件只要有堵塞之故障情形,就容易造成一連串不可避免之連鎖故障反應,造成整體資源浪費及使用者極大的商
業損失。
是以,如何提供一種預警並可監控液靜壓軸承之性能壽命之狀態的系統及方法,以在液靜壓軸承故障之前檢測出其狀態,為目前亟待解決的課題之一。
本揭露之一目的在於提供一種液靜壓軸承監測系統,包括:液靜壓軸承裝置,再包括:軸體;至少二滑塊,係分別位於該軸體的二表面,以使該滑塊與該軸體之間形成一間隙;及節流器,連接一油壓單元的供液管路,用以將該油壓單元的液壓油送入該間隙中,以形成油膜;至少一感測器,用以偵測該液靜壓軸承裝置的至少一狀態參數,其中,該狀態參數為油溫、油壓、油量及油膜間隙之一或其組合;以及計算單元,再包括:儲存模組,用以接收並儲存該狀態參數,且該儲存模組儲存有複數組可靠度實驗資料,其中,該複數組可靠度實驗資料係將複數組樣本經由一模糊類神經網路訓練而得者,且其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機;模型建立模組,用以依據該狀態參數建立一性能預測模型;及比對模組,用以依據該複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果,其中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之壓力差、流量或間隙的性能狀態表現模型。
本揭露之另一目的在於提供一種液靜壓軸承監測方法,包括下列步驟:利用至少一感測器偵測一液靜壓軸承裝置的至少一狀態參數,並將該狀態參數傳送至一計算單元中,其中,該狀態參數為油溫、油壓、油量及油膜間隙之一或其組合;依據該狀態參數,透過該計算單元之模型建立模組建立一性能預測模型,其中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之壓力差、流量或間隙的性能狀態表現模型;以及以該計算單元之比對模組,依據複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果,其中,該複數組可靠度實驗資料係將複數組樣本經由一模糊類神經網路訓練而得者,且其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機。
1‧‧‧液靜壓軸承監測系統
10‧‧‧液靜壓軸承裝置
11‧‧‧軸體
12、13、14‧‧‧滑塊
121、131、141‧‧‧油腔
15‧‧‧節流器
16‧‧‧油壓單元
161‧‧‧供液管路
20‧‧‧感測器
30‧‧‧計算單元
31‧‧‧儲存模組
32‧‧‧模型建立模組
33‧‧‧比對模組
34、35、405、406、407、408‧‧‧曲線
341‧‧‧高頻區段
401、402、403、404‧‧‧區塊
41、44‧‧‧輸入層
42、45‧‧‧隱藏層
43、46‧‧‧輸出層
S51~S53‧‧‧步驟
第1圖係為本揭露液靜壓軸承監測系統之功能示意圖;第2A至2C圖係為本揭露液靜壓軸承監測系統所建立之可靠度實驗性能預測模型示意圖;第3A至3D圖係為本揭露液靜壓軸承監測系統之可靠度實驗性能預測模型特徵判斷資料之示意圖;第4A圖係為本揭露液靜壓軸承監測系統之一實施例之可靠度實驗性能預測模型與可靠度實驗性能預測模型特徵判斷資料之比對示意圖;第4B至4C圖係為本揭露液靜壓軸承監測系統之一實施例中使用模糊類神經網路訓練示意圖;以及第5圖係為本揭露液靜壓軸承監測方法之流程步驟圖。
以下藉由特定的具體實施例說明本揭露之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本揭露之其他優點及功效。
須知,本說明書所附圖式所繪示之結構、比例、大小等,均僅用以配合說明書所揭示之內容,以供熟悉此技藝之人士之瞭解與閱讀,並非用以限定本揭露可實施之限定條件,故不具技術上之實質意義,任何結構之修飾、比例關係之改變或大小之調整,在不影響本揭露所能產生之功效及所能達成之目的下,均應仍落在本揭露所揭示之技術內容得能涵蓋之範圍內。
請參閱第1圖,本揭露之液靜壓軸承監測系統1係包括液靜壓軸承裝置10、至少一感測器20以及計算單元30。該液靜壓軸承裝置10進一步包括軸體11、滑塊12、13、14、節流器15及油壓單元16。
於一實施例中,軸體11可為任何形式之液靜壓軸承結構,例如為圓柱形、錐形、球形之徑向液靜壓軸承,或為扇形、環形之軸向液靜壓軸承,本揭露並不以此為限。
本揭露之液靜壓軸承監測系統1包括至少二以上之滑塊,此二滑塊係成組方式以分別位於該軸體11的二表面。以第1圖為例,液靜壓軸承監測系統1可包括位於軸體11上表面的滑塊12以及位於軸體11下表面的滑塊13,或是可包括分別位於軸體11側表面的二滑塊14。滑塊12、13、14可視軸向或徑向之軸體結構的不同來進行設計,本揭露並不以此為限。
滑塊12、13、14分別位於軸體11的表面後,滑塊12、13、14與軸體11之間形成一間隙。另滑塊12、13、14分別具有相對於軸體11之表面的油腔121、131、141。
節流器15連接一油壓單元16的供液管路161,用以將儲存在油壓單元16中的液壓油經供液管路161送入滑塊12、13、14與軸體11之間的間隙以及油腔121、131、141中,藉此使滑塊12、13、14與軸體11之間形成油膜,此油膜能產生靜壓力以支撐負載。
於一實施例中,該油壓單元16可為定壓力供油系統或定流量供油系統,而該節流器15可為小孔節流器、毛細管
節流器或可變節流器,本領域技術人員自可視需求自行設計油壓單元16與節流器15之間的搭配,本揭露並不以此為限。
本揭露之液靜壓軸承監測系統1係包括至少一感測器20,該感測器20係安裝於節流器15與滑塊12、13、14之間的供液管路161上,用以偵測該液靜壓軸承裝置10的至少一狀態參數。
於一實施例中,該感測器20為壓力感測器、流量感測器、位移感測器(如渦電流感測器)或溫度感測器。根據感測器20種類的不同,可偵測不同的狀態參數,因此,所得之該狀態參數可為油溫、油壓、油量或油膜間隙。其中,該溫度感測器可安裝在供液管路的入口或出口處,該壓力感測器可以並聯方式安裝在供液管路上,而流量感測器可以串聯方式安裝在供液管路上。
於另一實施例中,本揭露之液靜壓軸承監測系統1藉由節流器15之特性及所搭配的感測器20種類,達成即時狀態監控診斷之功能。在液靜壓軸承裝置10中,使用油壓單元16向節流器15供油,再送至滑塊12、13、14的油腔121、131、141中,依靠液壓油通過節流器15的壓力降,自動調節流量以適應負載的變化,計算所使用的公式如下:P=QR,R=R節流器+R滑塊,R滑塊(h)
其中,P為液壓油壓力,Q為液壓油流量,R節流器為節流器之流阻,R滑塊為滑塊之流阻,R滑塊(h)為間隙(h)的函數。
當液靜壓軸承裝置10承受正向負載時,滑塊12、13、14受到正向壓力,其正向負載將使軸體11與滑塊12、13、14之間的間隙變小,滑塊流阻隨之增加,液壓油流量變小,與此同時液壓油壓力將會增大以適應相對應之負載,進而達到自動補償之功效。
反之,當液靜壓軸承裝置10承受負向負載時,滑塊12、13、14受到負向壓力,其負向負載將使軸體11與滑塊12、13、14之間的間隙變大,滑塊流阻隨之減小,液壓油流量變大,與此同時液壓油壓力將會減少以適應相對應之負載。據此,本揭露之液靜壓軸承監測系統1可藉由偵測液壓油壓力P、液壓油流量Q及間隙H,來交互比對判斷液靜壓軸承裝置是否故障。
上述感測器20所偵測出的狀態參數,可進一步傳送至計算單元30來進行計算。該計算單元30包括儲存模組31、模型建立模組32及比對模組33。於一實施例中,該計算單元30可為電腦或雲端伺服器,儲存模組31為硬碟、軟碟、可攜式磁碟或其他硬體儲存設備,用以接收並儲存該狀態參數,且該儲存模組31亦儲存有複數組可靠度實驗資料。另模型建立模組32及比對模組33則為軟體程式。
於一實施例中,請先參閱第3A至3D圖,複數組可靠度實驗資料(亦可稱為可靠度實驗性能預測模型特徵判斷資料)係將複數組樣本舉例經由一模糊類神經網路訓練而得者,其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機。而可靠度實驗資料係以橫軸-頻
率、縱軸-振幅之方式表現。如第3A圖所示,曲線34表示液靜壓軸承裝置10之運作狀態,而曲線35則表示不同頻率下之速度範圍所能接受的振幅。若有曲線34與曲線35交叉,即為故障異常狀態。例如第3B圖所示,曲線34具有越過曲線35之高頻區段341,此代表某種故障異常狀態,而第3C、3D圖亦為如此。藉由模糊類神經網路之訓練,可將不同之可靠度實驗資料區分出不同的故障原因(如故障、堵塞、撞機、磨耗、油品變質等),以供後續比對之用。
該模型建立模組32則可依據該狀態參數建立一性能預測模型(亦可稱為可靠度實驗性能預測模型),其中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之間隙(如第2A圖所示)、流量(如第2B圖所示)或壓力差(如第2C圖所示)的性能狀態表現模型。
於一實施例中,該性能預測模型亦可為液壓油之油壓力狀態模型、液壓油之流量狀態模型、滑塊與滑動面之間隙值狀態模型,或位移訊號高頻解調變模型等,本揭露並不以此為限。
於另一實施例中,該性能預測模型係分別偵測下列時段所建立之完整歷史記錄:液靜壓軸承製造期間、液靜壓軸承在製造以後及使用以前之期間、液靜壓軸承在使用期間、液靜壓軸承在沒有使用期間、液靜壓軸承在運轉期間。透過長時間監測液靜壓軸承在各期間的狀態參數,能夠據此建立起整個生命週期之壓力差、流量或間隙的性能狀態
表現模型。
該比對模組33則用以依據該複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果。由於液靜壓軸承之不同位置、不同區域的模組會有不同的性能表現,可透過上述液靜壓軸承各時段之性能預測模型來進行比較,以取得不同位置、不同區域的模組所剩餘之壽命,並可預測何時需要維修、是否過載、節流器等元件是否失效、安裝精度是否有誤等故障現象,據此提供比對結果。此外,本揭露之液靜壓軸承監測系統1更可依據該比對結果,提供通知補償、維修或預警之功能。
於一實施例中,如第4A圖所示,以第2A圖所示之間隙之性能預測模型為例,在第4A圖的區塊401中,係以如第3A圖所示之可靠度實驗性能預測模型特徵判斷資料來對第4A圖的區塊401中的曲線405進行比對;在第4A圖的區塊402中,係以如第3B圖所示之可靠度實驗性能預測模型特徵判斷資料(如已有10倍頻產生)來對區塊402中的曲線406進行比對;在第4A圖的區塊403中,係以如第3C圖所示之可靠度實驗性能預測模型特徵判斷資料(如已有5及10倍頻產生)來對區塊403中的曲線407進行比對;在第4A圖的區塊404中,係以如第3D圖所示之可靠度實驗性能預測模型特徵判斷資料(如已有混合倍頻產生)來對區塊404中的曲線408進行比對。最後可得一比對結果。
於一實施例中,請參閱第4B圖,所使用之模糊類神
經網路具有輸入層41、隱藏層42及輸出層43。輸入層41用以輸入原始訊號(即狀態參數),而隱藏層42則將原始訊號所建立之性能預測模型與可靠度實驗性能預測模型特徵判斷資料進行類神經網路之交互運算,使輸出層43輸出分析結果。又如第4C圖所示,輸入層44可具有多個輸入源(例如以不同月份之訊號來加以區別),輸出層46亦可輸出多個分析結果(例如以不同月份之判斷結果來加以區別),而隱藏層45所建立之診斷模型則由數個性能預測模型所構成。本領域技術人員當可依設計來建構模糊類神經網路之運作態樣,本揭露並不以此為限。
請參閱第5圖,本揭露復提供一種液靜壓軸承監測方法,包括下列步驟:偵測液靜壓軸承裝置的狀態參數(步驟S51);依據該狀態參數建立性能預測模型(步驟S52);以及依據複數組可靠度實驗資料比對該性能預測模型,以得到比對結果(步驟S53)。
於步驟S51中,係利用至少一感測器偵測一液靜壓軸承裝置的至少一狀態參數,並將該狀態參數傳送至一計算單元中。其中,該感測器為壓力感測器、流量感測器、位移感測器或溫度感測器,該狀態參數為油溫、油壓、油量或油膜間隙。
於步驟S52中,則依據該狀態參數,透過該計算單元之模型建立模組建立一性能預測模型。其中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之壓力差、流量或間隙的性能狀態表現模型。
於步驟S53中,係以該計算單元之比對模組,依據複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果。其中,該複數組可靠度實驗資料係將複數組樣本經由一模糊類神經網路訓練而得者,且其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機。
綜上所述,根據本揭露所提供的液靜壓軸承監測系統及其方法,能透過各種感測器來偵測液靜壓軸承裝置的各種狀態參數,使計算單元能建立性能預測模型,並能將該性能預測模型與事先經模糊類神經網路訓練所得之複數組可靠度實驗資料進行比較,而能得到液靜壓軸承裝置之性能狀態變化,進一步提供精度、效能、壽命、故障原因等預警功能,因此具備掌握產品生命週期、即時監控維修、降低成本以及提昇量產組裝良率之功效。
上述實施例僅例示性說明本揭露之原理及其功效,而非用於限制本揭露。任何熟習此項專業之人士均可在不違背本揭露之精神及範疇下,對上述實施例進行修飾與改變。因此,舉凡所屬技術領域中具有此項專業知識者,在未脫離本揭露所揭示之精神與技術原理下所完成之一切等效修飾或改變,仍應由後述之申請專利範圍所涵蓋。
1‧‧‧液靜壓軸承監測系統
10‧‧‧液靜壓軸承裝置
11‧‧‧軸體
12、13、14‧‧‧滑塊
121、131、141‧‧‧油腔
15‧‧‧節流器
16‧‧‧油壓單元
161‧‧‧供液管路
20‧‧‧感測器
30‧‧‧計算單元
31‧‧‧儲存模組
32‧‧‧模型建立模組
33‧‧‧比對模組
Claims (6)
- 一種液靜壓軸承監測系統,包括:液靜壓軸承裝置,係包括:軸體;至少二滑塊,係分別位於該軸體的二相對表面之上方,使各該滑塊與該軸體之間形成有一間隙;及節流器,連接一油壓單元的供液管路,用以將該油壓單元的液壓油送入該間隙中,以形成油膜;至少一感測器,用以偵測該液靜壓軸承裝置的至少一狀態參數,其中,該狀態參數為油溫、油壓、油量及油膜間隙之一或其組合;以及計算單元,係包括:儲存模組,用以接收並儲存該狀態參數,且儲存有複數組可靠度實驗資料,其中,該複數組可靠度實驗資料係將複數組樣本經由一模糊類神經網路訓練而得者,且其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機;模型建立模組,用以依據該狀態參數建立一性能預測模型;及比對模組,用以依據該複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果,其 中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之壓力差、流量或間隙的性能狀態表現模型。
- 如申請專利範圍第1項所述之液靜壓軸承監測系統,其中,該感測器為壓力感測器、流量感測器、位移感測器及溫度感測器之一或其組合。
- 如申請專利範圍第1項所述之液靜壓軸承監測系統,其中,該感測器設於該節流器與該二滑塊之一者的供液管路上。
- 如申請專利範圍第1項所述之液靜壓軸承監測系統,其中,該二滑塊係以軸向或徑向的方式分別位於該表面上方。
- 一種液靜壓軸承監測方法,包括下列步驟:利用至少一感測器偵測一液靜壓軸承裝置的至少一狀態參數,並將該狀態參數傳送至一計算單元中,其中,該狀態參數為油溫、油壓、油量及油膜間隙之一或其組合;依據該狀態參數,透過該計算單元之模型建立模組建立一性能預測模型,其中,該性能預測模型為該液靜壓軸承裝置之整個生命週期之壓力差、流量或間隙的性能狀態表現模型;以及以該計算單元之比對模組,依據複數組可靠度實驗資料比對該性能預測模型,以得到一比對結果,其中,該複數組可靠度實驗資料係將複數組樣本經由一 模糊類神經網路訓練而得者,且其中,該複數組樣本包括該液靜壓軸承裝置之故障原因信號及其出現時機。
- 如申請專利範圍第5項所述之液靜壓軸承監測方法,其中,該感測器為壓力感測器、流量感測器、位移感測器及溫度感測器之一或其組合。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104135388A TWI589791B (zh) | 2015-10-28 | 2015-10-28 | 液靜壓軸承監測系統及其方法 |
US14/969,290 US20170122838A1 (en) | 2015-10-28 | 2015-12-15 | Hydrostatic bearing monitoring system and method |
CN201610016917.XA CN106644474A (zh) | 2015-10-28 | 2016-01-11 | 液静压轴承监测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104135388A TWI589791B (zh) | 2015-10-28 | 2015-10-28 | 液靜壓軸承監測系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201715159A TW201715159A (zh) | 2017-05-01 |
TWI589791B true TWI589791B (zh) | 2017-07-01 |
Family
ID=58637365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104135388A TWI589791B (zh) | 2015-10-28 | 2015-10-28 | 液靜壓軸承監測系統及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170122838A1 (zh) |
CN (1) | CN106644474A (zh) |
TW (1) | TWI589791B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI633312B (zh) * | 2017-12-18 | 2018-08-21 | 國立虎尾科技大學 | Method and system for measuring channel precision of crossed roller bearing |
TWI635925B (zh) * | 2017-11-16 | 2018-09-21 | 國立勤益科技大學 | Oil film detecting device of processing machine feed system |
TWI786434B (zh) * | 2020-08-31 | 2022-12-11 | 國立虎尾科技大學 | 機械運轉監控方法及機械運轉監控系統 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017223386A1 (de) * | 2017-12-20 | 2019-06-27 | Zf Friedrichshafen Ag | Gleitlageranordnung für eine schwere Welle, insbesondere einer Windkraftanlage, sowie Steuersystem und Verfahren zur Schmierölversorgung derselben |
DE102017223418B4 (de) * | 2017-12-20 | 2023-05-25 | Zf Friedrichshafen Ag | Modellbasiertes Verfahren und System zur Zustandsüberwachung eines Gleitlagers, insbesondere für Windkraftanlagen |
US10422373B1 (en) * | 2018-04-04 | 2019-09-24 | General Electric Company | Machine thrust bearing assembly |
CN109063404B (zh) * | 2018-10-22 | 2023-04-07 | 北京工业大学 | 一种空气静压止推轴承刚度的动态预测方法 |
CN110142647B (zh) * | 2019-05-20 | 2023-09-29 | 华中科技大学 | 一种液体静压导轨稳态性能实时测量装置及方法 |
CN110287576B (zh) * | 2019-06-20 | 2023-04-07 | 哈尔滨理工大学 | 一种基于Matlab的液体静压推力轴承润滑油膜三维温度场显示方法 |
CN111503153B (zh) * | 2020-04-21 | 2021-09-07 | 南京工程学院 | 一种静压滑动轴承油膜压力损失补偿方法 |
CN111360581A (zh) * | 2020-04-22 | 2020-07-03 | 机械科学研究总院海西(福建)分院有限公司 | 检验液体静压导轨副实际工况下导向精度的装置及方法 |
US20210356361A1 (en) * | 2020-05-15 | 2021-11-18 | Deere & Company | Fault detection technique for a bearing |
US20220179920A1 (en) * | 2020-12-08 | 2022-06-09 | National Formosa University | Method for monitoring a hydrostatic bearing that is in operation and a monitoring system |
CN114970038B (zh) * | 2022-06-13 | 2024-06-21 | 河北工业大学 | 基于微沟槽的液体静压轴承油膜生热抑制表面设计方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH519661A (de) * | 1969-08-21 | 1972-02-29 | Oerlikon Buehrle Ag | Hydrostatisches Gleitlager |
JPH0641769B2 (ja) * | 1985-02-20 | 1994-06-01 | 株式会社日立製作所 | 滑り軸受保護装置 |
US6324899B1 (en) * | 1998-04-02 | 2001-12-04 | Reliance Electric Technologies, Llc | Bearing-sensor integration for a lubrication analysis system |
FI112972B (fi) * | 1998-07-15 | 2004-02-13 | Abb Research Ltd | Laakerin kunnon arviointi |
CN2804834Y (zh) * | 2005-06-08 | 2006-08-09 | 曹健 | 油膜轴承故障检测装置 |
CN102053016B (zh) * | 2010-11-08 | 2013-07-17 | 江苏大学 | 旋转机械滚动轴承的无线振动监测*** |
TWI407023B (zh) * | 2010-12-03 | 2013-09-01 | Ind Tech Res Inst | 自動補償液靜壓軸頸軸承 |
US8751413B2 (en) * | 2011-07-26 | 2014-06-10 | General Electric Company | Fuzzy logic based system monitoring system and method |
CN102967462A (zh) * | 2012-11-16 | 2013-03-13 | 哈尔滨电机厂有限责任公司 | 水轮发电机推力轴承运行状态动态监测*** |
CN103048137B (zh) * | 2012-12-20 | 2015-05-06 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN104596767B (zh) * | 2015-01-13 | 2017-04-26 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN104807640A (zh) * | 2015-05-08 | 2015-07-29 | 重庆交通大学 | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 |
-
2015
- 2015-10-28 TW TW104135388A patent/TWI589791B/zh active
- 2015-12-15 US US14/969,290 patent/US20170122838A1/en not_active Abandoned
-
2016
- 2016-01-11 CN CN201610016917.XA patent/CN106644474A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI635925B (zh) * | 2017-11-16 | 2018-09-21 | 國立勤益科技大學 | Oil film detecting device of processing machine feed system |
TWI633312B (zh) * | 2017-12-18 | 2018-08-21 | 國立虎尾科技大學 | Method and system for measuring channel precision of crossed roller bearing |
TWI786434B (zh) * | 2020-08-31 | 2022-12-11 | 國立虎尾科技大學 | 機械運轉監控方法及機械運轉監控系統 |
Also Published As
Publication number | Publication date |
---|---|
TW201715159A (zh) | 2017-05-01 |
CN106644474A (zh) | 2017-05-10 |
US20170122838A1 (en) | 2017-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI589791B (zh) | 液靜壓軸承監測系統及其方法 | |
US11162837B2 (en) | Detecting faults in rotor driven equipment | |
US20180282633A1 (en) | Rotating equipment in a petrochemical plant or refinery | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
US20170178311A1 (en) | Machine fault detection based on a combination of sound capture and on spot feedback | |
CN104596574A (zh) | 大型水力发电设备远程诊断服务平台装置 | |
WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN106762343A (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN102927449A (zh) | 一种基于模拟仿真技术的管网微小泄漏缺陷检测方法及*** | |
CN112881660A (zh) | 润滑油液的在线监测方法和油液监测*** | |
Ramachandran et al. | A data-driven, statistical feature-based, neural network method for rotary seal prognostics | |
Suryawanshi et al. | Empirical-based DA and ANN to diagnose misalignment in rotor-bearing system | |
Zhou et al. | Discrete entropy-based health indicator and LSTM for the forecasting of bearing health | |
Dutta et al. | Bearing fault detection for water pumping system using artificial neural network | |
CN113464458A (zh) | 一种凝结水泵健康状态检测***及方法 | |
CN108982106A (zh) | 一种快速检测复杂***动力学突变的有效方法 | |
Baronti et al. | Neural network identification of water pipe blockage from smart embedded passive acoustic measurements | |
CN104329566A (zh) | 一种基于差压原理的段塞流检测方法及装置 | |
US10801914B2 (en) | Method for detecting deterioration defect of structural part using structural unit | |
Raza et al. | Application of intelligent technique to identify hidden abnormalities in a system: A case study from oil export pumps from an offshore oil production facility | |
AU2020104058A4 (en) | A REAL TIME MONITORING SYSTEM FOR PIPELINES USING LoRa AND ESP 32 | |
Cui et al. | Automated multi-functional system for the characterization of plate valves in reciprocating compressors | |
dos Santos Pedotti et al. | Failure analysis on a water pump based on a low-cost MEMS accelerometer and Machine Learning Classifiers | |
CN117851954B (zh) | 基于数据分析的轴承加工设备运行质量检测***和方法 | |
Li et al. | Intelligent fault diagnosis of delta 3D printers using attitude sensors based on extreme learning machines |