Диагностика ходовой части что включает в себя: Что входит в диагностику ходовой части автомобиля?

Содержание

Что входит в диагностику ходовой части автомобиля?

Ходовая часть машины – частая тема разговоров автолюбителей. Особенно актуальна она в свете наших «сказочных» дорог: то яма под лужей, то ухаб на ухабе. «Весело», одним словом. В результате всего этого мы начинаем замечать, что где-то стучит и скрипит, машина не слушается руля, и ее начинает стягивать в сторону. Если хоть что-то не так, следует незамедлительно проверить ходовую часть, ведь от ее исправности напрямую зависит ваша безопасность на дороге. Обратитесь на СТО и сделайте качественную диагностику ходовой.

Зачем нужна диагностика ходовой

Не имеет значения, какой у вас автомобиль: совершенно новый или с солидным пробегом. Диагностика ходовой нужна в любом случае для собственного успокоения.

Если вы наблюдаете некоторые странности, немедленно обращайтесь на СТО:

1. На плохой дороге появился гул, стук – это может быть неисправность в элементах подвески.

2. На высокой скорости автомобиль стал неустойчивым, и увеличился люфт рулевого колеса – это, скорее всего, говорит о неисправности рулевой рейки или износе креплений рулевых тяг.

3. На поворотах машина кренится – подозревайте неправильную работу системы стабилизации ходовой части.

4. Во время торможения машину уводит в сторону, или увеличился тормозной путь – возможно, вскоре полетят тормозные колодки или барабаны.

Диагностику считают методом профилактики. Она для того и нужна, чтобы можно было вовремя предотвратить нежелательные моменты в дороге и сохранить жизнь своих пассажиров и случайных пешеходов.

Что относится к элементам ходовой части автомобиля

К ходовой части относится: рама, передняя и задняя подвески, колеса. Во время движения именно на них падает основная нагрузка, потому они и подвержены частому износу.

Знаете ли Вы? Амортизатор на водительском сленге называется «мартер».

Если вы решили осмотреть ходовую самостоятельно – загоняйте ее на смотровую яму. Во время осмотра обратите внимание на:

— опорные чашки под пружинами и сами пружины на упругость.

— не протекают ли амортизаторы.

— баллоны, если машина с пневмоподвеской.

— целостность пыльников шруса.

— сайлентблоки.

— люфты на наконечниках тяг, шрусах, шаровых опорах.

— тормозную систему: колодки, барабаны, ступицы, диски, резина, целостность тормозных шлангов.

Если в процессе осмотра вы обнаружили дефект какой-либо детали – тотчас же меняйте ее.

Как часто проводить диагностику ходовой части

Каждый день этого делать не нужно. Но два раза в год (например, при смене шин «зима – лето») нужно. А если пробег вашего автомобиля больше 10 тысяч, то уже точно пора делать комплексную диагностику ходовой части.

Рекомендуется проводить диагностику регулярно. Не обязательно отсчитывать 10000 км, «благодаря» нашим плохим дорогам профилактический осмотр должен производиться чаще. Часто возникает потребность в экстренной диагностике после «визита» в скрытую под лужей яму. В результате такого механического воздействия на ходовую может появиться гул, стук, люфт руля, машину может начать кренить или тянуть в сторону.

Помните! В любом случае, не тяните с визитом к мастеру на СТО.

Проверка состояния передней и задней подвесок

Детали подвески принимают на себя все удары на неровных дорогах. Именно поэтому очень важно, чтобы они были в идеальном состоянии. Неисправность подвески незамедлительно даст о себе знать появлением посторонних звуков. Диагностика подвесок – это комплексные меры:

1.

Амортизаторы проверяют специальным прибором, который определяет степень его износа.

2. Пружины постоянно находятся под нагрузкой (и при движении, и на стоянке), потому со временем теряют свою упругость.

3. Опорные чашки пружин должны быть без изъянов и повреждений.

4. Люфты в шаровых опорах, шрусах и наконечниках рулевых тяг – это тоже элемент диагностики ходовой части автомобиля.

5. Пыльники на шрусах должны быть целыми.

6. Сайлентблоки (или другие узлы ходовой части) в плохом состоянии провоцируют неустойчивость и нарушение плавности хода автомобиля.

7. Входит в диагностику подвески проверка подшипников ступиц колес.

8. Тестирование тормозных колодок, дисков, барабанов, шлангов.

Наличие люфтов рулевого управления

Люфт (или свободный ход рулевого колеса) рулевого управления нужен для контроля над движением автомобиля. Допустим люфт от 10 до 25 градусов в зависимости от конструкции автомобиля и наличия механизмов усиления на рулевое колесо.

Не должно быть помех, заеданий или рывков – все это затрудняет вращение рулевого колеса и может спровоцировать аварию. Наибольшему износу подвергаются наконечники рулевых тяг. Это шарниры сферической формы. Если они изнашиваются, можно полностью потерять контроль над управлением, потому что тяги выйдут из строя.

Для детального осмотра наконечников машину поднимают домкратом, снимают колесо. На рулевой тяге находим наконечник, нажимаем сверху на шарнир (пальцами упираемся в гайку снизу). Если в результате таких действий он сжимается, и вы чувствуете люфт, то пора менять шарнир. Иногда для определения люфта руль нужно повернуть в разные стороны.

Как самостоятельно заменить рулевой наконечник

Если вы знаете, где находится рулевой наконечник, то сможете заменить его самостоятельно. Ничего архисложного в этом нет.

1. Поднимите машину домкратом.

2. Снимите колесо.

3. Налейте WD-шку на место наконечника (это облегчит процесс выкручивания).

4. Выверните руль до упора в любую сторону (так будет удобнее снять шарнир) и открутите весь рулевой механизм.

5. Из гайки шарнира плоскогубцами достаньте шплинт и открутите гайку фиксации.

6. Нажмите монтировкой (съемником) на поворотную гайку так, чтобы болт наконечника вылез из посадочного гнезда.

7. Выкручивайте шарнир из рулевой тяги по часовой стрелке (посчитайте количество сделанных оборотов, чтобы потом не было проблем с развал-схождением).

8. Новый наконечник ставьте на тягу против часовой стрелки (количество оборотов должно быть таким же, как и при откручивании). Хорошо затяните гайку.

9. Вставьте шплинт.

Состояние приводов передних и задних колес

Привод напрямую зависит от состояния шарниров равных угловых скоростей (могут прослужить до 100 тысяч км). Шарниры приводов есть внутренние и наружные. О неисправности наружного шарнира предупреждают щелчки в ступице переднего колеса на крутом повороте или характерный постоянный хруст при движении на прямом участке.

Наружные шарниры приводов изнашиваются чаще из-за некачественных дорог, вмешательства в саму конструкцию подвески, повреждения защитных резиновых чехлов. Если чехол прохудился от старости или порван в результате механического воздействия, то вода, пыль, снег, грязь, песок, глина беспрепятственно попадает внутрь шарнира. Таким образом, вымывается защитная смазка, и шарнир приходит в непригодность за несколько километров.

Если вы вовремя обнаружили повреждение резинового чехла, но сам шарнир еще не пострадал, то чехол можно заменить. В этом случае шарнир разбирают, промывают, закладывают в него новую смазку и ставят новый чехол на место. Если шарнир уже изрядно пострадал, то заменяем его на новый.

Внимание! Исправный шарнир не производит посторонних звуков и не создает люфтов между деталями.

Диагностика тормозной системы

Тормоза всегда должны быть «в тонусе». Каждодневно диагностируйте тормозную систему сами, чтобы вовремя заметить неполадки. Ни в коем случае не пускайтесь в дальнюю дорогу с неисправными тормозами.

Что мы можем сделать сами:

1. Не запуская мотор, нажмите педаль тормоза. Она должна остановиться почти сразу и дожать ее вы не сможете. Если есть ощущение «заклинивания» – это тревожный сигнал.

2. Педаль «встала колом» при незначительном нажатии – у нее слишком короткий ход. Придется регулировать компенсационное отверстие в главном тормозном цилиндре.

3. Педаль имеет большой свободный ход – в системе есть воздух. Ищите место утечки и прокачивайте тормоза.

4. Нажмите на педаль несколько раз, оставьте ногу на педали тормоза и заведите машину. Если педаль тормоза «провалилась», то вакуумный усилитель тормозов в порядке. Если в салоне появилось шипение, значит, вакуумный усилитель придется менять.

5. Для проверки ручного тормоза поднимите рычаг ручника на 3 – 4 щелчка вверх. На щитке приборов должна загореться контрольная лампа. Поставьте машину на нейтралку (рычаг ручника должен быть вверху) и попробуйте вручную сдвинуть автомобиль с места. Если автомобиль двигается, необходимо провести регулировку тросов привода стояночного тормоза.

Если регулировка сделана, а машина продолжает двигаться, нужно заменить тормозные колодки.

6. Щупом проверьте уровень тормозной жидкости (должна быть до границы верхнего уровня) в расширительном бачке тормозной системы.

7. Осмотрите шланги и корпус вакуумного усилителя. Они должны быть сухими. Если подтекают – меняйте.

8. Если на внутренне стороне колес есть маслянистые подтеки – ищите причину в рабочем цилиндре тормозной системы: на цилиндрах не должно быть конденсата, шланги должны быть сухими, на трубках не должно быть ржавчины, на штуцерах для прокачки тормозов должны стоять защитные колпачки, шланг должен крепиться к кронштейну крепления тормозного шланга.

9. Тормозные колодки проверять лучше на СТО или во время смены колес на шиномонтаже.

10. Во время пробного заезда при торможении машину не должно уводить в сторону. Если что-то не так, лучше обратиться к специалисту на СТО.

Помните! Качественную диагностику тормозной системы можно произвести только на СТО на специальных стендах. Надежные тормоза – это ваша безопасность!

Подписывайтесь на наши ленты в таких социальных сетях как, Facebook, Вконтакте, Instagram, Pinterest, Yandex Zen, Twitter и Telegram: все самые интересные автомобильные события собранные в одном месте.

Комплексная диагностика ходовой части автомобиля

Комплексная диагностика ходовой части автомобиля рекомендуемая услуга от СТО АвтоГуру при любых посторонних шумах и стуках. Наши специалисты рекомендуют производить осмотр ходовой авто даже во время замены масла.

Интенсивная и длительная эксплуатация автомобиля приводит к износу ходовой части. Даже малейшая неисправность может привести к аварийным ситуациям. Комплексная диагностика ходовой части помогает избежать аварий и продлить срок службы автомобиля.

Полная проверка ходовой автомобиля потребуется при появлении следующих признаков:

  • слышен хруст в колесах, при повороте авто;
  • усложнилось управление;
  • проваливается педаль тормоза;
  • увеличился люфт руля;
  • отчетливо слышны удары и посторонний стук;
  • тормозной путь значительно увеличился;
  • авто раскачивает на неровностях и кренит на поворотах;
  • появился гул при движении;
  • стук в рулевой рейке.

Специалисты СТО АвтоГуру проверят в комплексе связанные с ходовой частью авто системы — рулевую, тормозную, двигатель, трансмиссию. Опыт работы с разными марками авто:

— диагностика ходовой части Киа;

— диагностика подвески Mitsubishi;

— диагностика подвески Фольксваген в СПб;

— проверка ходовой BMW.

Диагностика рулевого управления и ходовой части авто

Диагностика рулевого управления ходовой части автомобиля входит в перечень полной проверки ходовой авто. Агрессивное вождение, наезд на препятствие, регулярные поездки приводят к поломке элементов рулевого управления.

Диагностика рулевого управления и ходовой части производится мастерами АвтоГуру на специальном оборудовании, и включает:

    • проверку люфта руля;
    • диагностику валов на биение и узлов на течь;
    • определение давления при разном положении руля;
    • проверку герметичности системы, работоспособности гидроцилиндра, измерение утечки, обнаружение металлических примесей в масле,
    • проверка рулевого управления ходовой части автомобиля часто сводится к поиску неисправностей редуктора, люфта, течи.

Диагностика двигателя и ходовой части машины

Диагностика двигателя и ходовой части автомобиля включает следующие работы:

  • осмотр подкапотного пространства и агрегата;
  • проверка бронепроводов и свечей зажигания;
  • проверка топливного и воздушного фильтров;
  • замена компрессии;
  • проверка ремня ГРМ;
  • сканирование ошибок с помощью диагностического оборудования.

Диагностика и ремонт ходовой части двигателей дает возможность контролировать состояние агрегата, своевременно выявлять скрытые и явные неисправности. Пока они не стали причиной более дорогого ремонта или несчастного случая.

Проверка тормозной системы и ходовой части

Диагностика ходовой части и тормозной системы состоит из испытаний и измерений:

  • линейное отклонение;
  • длина тормозного пути;
  • удельная сила торможения;
  • замедление транспортного средства;
  • время работы тормозной системы;
  • уклон дороги;
  • коэффициент неравномерности тормозной силы.

Диагностика и ремонт ходовой части и тормозной системы автомобиля дает возможность судить о безопасности управления и состоянии тормозной системы транспортного средства.

Диагностика трансмиссии с ходовой частью

Диагностика трансмиссии и ходовой части авто состоит из четких регламентных работ, которые неукоснительно выполняются нашими специалистами:

  • проверка давления;
  • проверка качества и уровня жидкости;
  • диагностика холостого хода мотора, мехтяги управления, электросоединений, троса дроссельной заслонки, вакуумных магистралей;
  • проверка блока управления КПП.


После того, как комплексная диагностика ходовой части произведена, рекомендуется произвести регулировку развал-схождения автомобиля.

Диагностика и ремонт ходовой части автомобиля

Своевременная диагностика ходовой является одной из основ безопасного и надежного функционирования вашего авто, а также влияет на комфорт и управляемость. Состоит ходовая часть из колес, задней и передней подвески, рамы. В процессе движения на каждый из элементов воздействуют значительные нагрузки, поскольку на них приходятся все толчки и удары, вызываемые нашими дорогами. Именно поэтому ходовая часть автомобиля изнашивается достаточно быстро.

Своевременная диагностика ходовой является одной из основ безопасного и надежного функционирования вашего авто, а также влияет на комфорт и управляемость. Состоит ходовая часть из колес, задней и передней подвески, рамы. В процессе движения на каждый из элементов воздействуют значительные нагрузки, поскольку на них приходятся все толчки и удары, вызываемые нашими дорогами. Именно поэтому ходовая часть автомобиля изнашивается достаточно быстро.

Комплекс диагностических процедур

Специалисты справедливо считают, что диагностические процедуры должны быть комплексными, ведь упущенная при диагностике деталь может не только свести на нет результат проведенного ремонта, но и стать причиной аварийной ситуации и увеличения нагрузки на остальные элементы ходовой части. Рассмотрим основные моменты комплексной диагностики ходовой части.

Люфт-детектор. Подвеска обеспечивает управляемость автомобиля, его устойчивость на дороге и отвечает за комфортность передвижения, причем она постоянно принимает на себя неровности дороги и гасит их. Это одна из причин быстрого износа элементов подвески. Диагностика подвески автомобиля на люфт-детекторе позволяет выявить все проблемные моменты в ее работе и провести своевременный ремонт либо замену всех ее элементов.

Проверка амортизаторов. От состояния амортизаторов зависит управляемость автомобиля, его поведение в процессе движения. Любая неисправность амортизаторов может привести к возникновению аварийной ситуации, представляющей опасность для водителя и всех пассажиров автомобиля.

Диагностика подвески

Неисправная подвеска приводит:

  • К повышению риска заносов. При неисправной подвеске сцепление колес с дорожным покрытием ухудшается. В результате этого авто может потерять устойчивость и сорваться в занос, причем риски эти велики при любой, даже благоприятной погоде.
  • К увеличению тормозного пути. В процессе торможения передняя часть авто значительно проседает, вследствие этого задние колеса обеспечивают минимальный эффект торможения.
  • К неравномерному износу шин. При неисправной подвеске шины изнашиваются быстрее, снижается срок их эксплуатации и безопасность движения.

Проверка тормозной системы. Многие владельцы автомобилей не уделяют достаточного внимания функционированию тормозной системы, вплоть до возникновения поломок. Машина тормозит, и водителя это полностью устраивает. В действительности необходимо понимать, насколько эффективно работает тормозная система, ведь износ тормозных дисков, колодок и иных элементов системы является процессом малозаметным и постепенным. Водитель просто может не обращать внимания, что тормоза автомобиля начинают постепенно работать хуже.

Необходимо проводить регулярно диагностику состояния элементов тормозной системы и ходовой части, ведь надежно работают они только в комплексе.

Также комплексная диагностика ходовой части включает:

  • оценку состояния шаровых опор, выявления люфта;
  • выявление надрывов и трещин на сайлентблоках;
  • диагностику элементов привода;
  • диагностику стабилизаторов поперечной устойчивости, их крепежей;
  • проверку опор;
  • выявление люфтов на штоке;
  • проверку герметичности амортизаторов;
  • оценку состояния ступичных подшипников;
  • проверку состояния рычагов, рессор, пружин, их креплений, выявление трещин и других повреждений;
  • иные работы, предусмотренные регламентом.

Ремонт ходовой части автомобиля

Ремонт ходовой части может понадобиться автомобилю с любым пробегом, даже менее 10 тысяч километров. Если при движении возникают посторонние шумы, люфты руля и иные неприятные моменты – пришло время отправить авто на диагностику.

Если выявлены неполадки в ходовой, следует обратиться в сервисный центр, где специалисты с использованием профессиональных инструментов и оборудования, проведут ремонтные работы, которые могут включать ремонт или замену:

  • задних и передних амортизаторов;
  • рулевых тяг и рулевых наконечников;
  • тормозных дисков, колодок, барабанов;
  • подшипников опорных чашек и ступиц;
  • пружин амортизаторов;
  • тормозных шлангов;
  • систем рулевого управления и т.д.

Нужно помнить, что безопасное движение автомобиля складывается из надежной работы всех элементов ходовой части автомобиля. Следует проводить регулярную ее диагностику, и, при необходимости, ремонт. Работы нужно доверять только опытным специалистам, которые гарантируют качество услуг и используемых для проведения ремонта запасных частей.

Диагностика ходовой части в Челябинске

Ничто не вечно, и ходовая часть автомобиля не исключение. Ходовая часть является одной из главных составляющих автомобиля и обеспечивает водителю безопасное и комфортное перемещение по дороге. Для обеспечения длительной эксплуатации ходовой части и автомобиля в целом, необходимо своевременно осуществлять их диагностику и ремонт.

Во избежание проблем на дорогах и для поддержания должного уровня безопасности, специалисты центров Роскар, совместно с заводами изготовителя, рекомендуют проводить диагностику ходовой части через каждые 25-30 тыс. км. К тому же необходимо обращать внимание на некоторые признаки, которые могут указывать на неисправность ходовой части:

  • возникновение стуков и скрипов в подвеске автомобиля во время движения, особенно по неровностям;
  • увеличение неравномерного износа шин.

Услуга диагностики ходовой части включает в себя визуальный осмотр, а также проверку рабочего состояния следующих частей:

  1. Подвески автомобиля: сайлентблоков, шаровых опор, амортизаторов и др.
  2. Рулевого управления.
  3. Валов привода колес, пыльников ШРУС.
  4. Крепления узлов и агрегатов, кузова и подвески.
  5. Трубок, шлангов и соединения тормозной системы.
  6. Дисковых тормозов, дисков и колодок.
  7. Стояночного тормоза.

Все полученные результаты вносятся в диагностический лист, далее формируется перечень необходимых работ и ориентировочная стоимость услуги, рассчитывается стоимость сформулированного списка ремонтных работ. Цену услуги диагностики ходовой части автомобиля можно узнать в сервисном центре или по телефону справочной службы 8-800-5-500-700.

Диагностика ходовой части автомобиля в Роскар

Не знаете, где сделать диагностику ходовой части? Компания Роскар к вашим услугам! Наши сертифицированные центры в Челябинске и др. городах области оснащены необходимым современным оборудованием для оказания качественной диагностики ходовой части вашего автомобиля.

Проходите диагностику ходовой части в компании Роскар, и безопасность на дорогах вам обеспечена!

Записаться на услугу

Диагностика ходовой части или ДХЧ | ZavGar | в Барнауле

ЗАПИСАТЬСЯ НА ОБСЛУЖИВАНИЕ

Диагностика ходовой части, диагностика подвески, ДХЧ

Многие водители слышали о такой аббревиатуре как ДХЧ, так что же это такое и что она в себя включает?ДХЧ (сокращенно диагностика ходовой части) – процедура диагностики подвески автомобиля, в ходе которой осматриваются на неисправности и люфты (свободный ход) такие узлы как амортизаторные стойки, шаровые опоры, рычаги подвески, стабилизатор поперечной устойчивости, устройство рулевой рейки, тормозные диски и колодки, ШРУС ( шарнир равных угловых скоростей), а также проверяется состояние технических жидкостей, состояние ремня генератора, ГУРа и кондиционера.

Когда необходима диагностика ходовой части?

— Появились стуки при езде
— Автомобиль стал более неустойчивым
— На поворотах авто стал сильнее крениться
— На торможении авто уводит в сторону или увеличился тормозной путь
— Подвеска стала чаще цеплять землю на кочках

Как осуществляется весь процесс диагностики от приема автомобиля и до осуществления ремонта в наших сервисах.

Все начинается с приемной автосервиса. Клиент обращается к нам с определенной жалобой, мастер приемщик внимательно слушает и записывает в заявке причину обращения, после этого загоняет автомобиль и передает информацию слесарю, а тот в свою очередь внимательно просматривает подвеску автомобиля на возможные люфты, состояние деталей, отмечает в диагностической карте какие из узлов находятся в исправном состоянии, а какие нуждаются в обслуживании или замене. В это время клиент может отдохнуть в клиентской зоне, где есть удобные диваны, кофейные автоматы, телевизор.

Осмотр рулевых наконечников

На рулевой тяге слесарь находит наконечник, нажимает сверху на шарнир (пальцами упираемся в гайку снизу). Если в результате таких действий он сжимается, и чувствуется люфт, то пора менять шарнир. Иногда для определения люфта колесо нужно повернуть в разные стороны в горизонтальной проекции.

Состояние ШРУС (шарнира равных угловых скоростей)

ШРУС осматриваются на наличие повреждений и грязи в пыльниках. Если повреждены только пыльники, а сам ШРУС в порядке, то меняется только пыльник.
Осмотр опорных подшипников
Взявшись за пружину, которая установлена на стойке, слесарь поворачивает колесо в стороны. Если подшипник вышел из строя, в нем будет слышен стук и люфт.
При выступающем из чашки подшипнике проверить его целостность еще проще. Накладывают на него руку и качают автомобиль из стороны в сторону.

Проверка стоек

Если они масляные, то подтеки должны отсутствовать. Также специалист осматривает пыльники на наличие повреждений. Подходит к машине со стороны переднего колеса, раскачивает его вверх-вниз, потом отпускает. После того как отпустили, автомобиль должен качнуться не более раза, это говорит об исправности стойки.

Диагностика ступичных подшипников

Сначала нужно обратить внимание на гул при движении по ровной дороге. Если он присутствует – это подшипник. Проверяется опять же на подъемнике. Специалист прокручивает колесо и слушает.
Осмотр сайлентблоков
Осматривают соединения рычагов, а именно резиновые втулки (сайлентблоки). Если на них находятся трещины, отслоения на втулке или приводя в движение рычаг монтажкой, видят в ней люфт, необходима замена деталей.


После проведения диагностики слесарь передает всю информацию мастеру-приемщику, а тот в свою очередь проценивает стоимость ремонта и делает подбор з/ч. Когда стоимость ремонта проценена, клиенту сообщаются и объясняются все поломки и дефекты выявленные в ходе диагностики, а также предлагается сделать ремонт.

Почему именно мы?

— Хорошо обученные опытные специалисты
— Индивидуальный подход к каждому автомобилю
— Цены ниже чем у дилера, а качество не уступает
— Работаем с запчастями таких производителей как: Lemferder, Boge, Kayaba, Bosch, и т. д., а также предлагаем контрактные запчасти
— Даем гарантию на ремонт и запчасти наших поставщиков
— Комфортная клиентская зона
— Интенсивность работы
— Единая база данных на всю сеть, что позволяет вам в любое время уточнить дату последнего ТО и проконсультироваться о замене масла автомобиля
— Акции, бонусная программа, скидки

Для консультации у наших специалистов, звоните по номеру 500-112.

Диагностика ходовой части автомобиля цена в СПб – Доктор Железных Коней

На сегодняшний день диагностика ходовой части является обязательным условием планового технического обслуживания всех автомобилей.

Диагностика ходовой части автомобиля включает в себя:

  • Осмотр амортизаторов автомобиля, пружин, рычагов, опорных чашек
  • Проверку шаровых опора, рулевых наконечников
  • Проверку состояния узлов ходовой части автомобиля
  • Проверку ступичных подшипников автомобиля
  • Определение уровня износа тормозных колодок автомобиля, дисков, барабанов, шлангов
  • Проверку герметичности тормозной системы и гидросистем автомобиля

После того как диагноз поставлен выписывается лист диагностики ходовой, где перечисляются все неисправности автомобиля и указывается стоимость ремонта и запасных частей. Если автовладелец дает согласие на обслуживание, мастера приступают к ремонту машины.

На сегодняшний день диагностика ходовой части является обязательным условием планового технического обслуживания всех автомобилей. Ходовая часть автомобиля – это совокупность различных механизмов опоры, от которой зависит связь между колесами и корпусом автомобиля во время его движения. Важную роль играет подвеска, которая обеспечивает равномерное распределение нагрузок на опору, улучшает тяговые качества, адаптирует ходовую часть автомобиля к различным неровностям и рельефам на дороге во время движений и поворотов, а также поглощает шумы, которые возникают во время трения колес с дорожным покрытием.

Стоит отметить, что своевременная диагностика ходовой части автомобиля улучшает его маневренность, безопасность и устойчивость на дороге. Как правило, диагностика автомобиля включает осмотр всех механизмов и узлов ходовой части, проверку подшипников, шаровых опор, рулевых наконечников, установление уровня износа тормозных колодок, дисков, а также диагностируется герметичность тормозной системы и гидросистем разных узлов и агрегатов. Так как ходовая часть автомобиля постоянно подвергается высоким нагрузкам и чаще всего изнашивается, проводить диагностику ходовой части необходимо один раз в 10000-15 000 км. Кроме того, если Вы обнаружили какие-либо признаки неисправности, необходимо обратиться в профессиональный сервис.

Автоцентр «Доктор Железных Коней» – это современное высококачественное оборудование, с помощью которого определяют и устраняют самые разные неисправности. Если вашему автомобилю необходима диагностика ходовой части или других не менее важных систем, обращайтесь в наш сервис. Неисправности ходовой части могут проявляться появлением посторонних звуков, гула или шумов при движении по неровной поверхности дороги, неустойчивости автомобиля, увеличении тормозного пути и т.д. Мы своевременно определим причину неполадок и вернем Вашему автомобилю прежнюю прыткость и маневренность. Необходимо добавить, что диагностика позволяет продлить сроки службы автомобиля и избежать лишних затрат.

Диагностика ходовой части автомобиля в Волоколамске

Современный автомобиль должен отличаться стабильностью, надежностью работы в любых условиях и применением высоких технологий. Ходовая часть автомобиля — это сложнейшая конструкция из уникальных деталей, изготовить которые без специального оборудования практически невозможно. Ходовая часть наиболее подвержена износу. Именно она постоянно испытывает нагрузки, отличающиеся большими перепадами и порой весьма значительные. От состояния ходовой зависит маневренность и контроль автомобиля на дороге, его устойчивость и надежность, что является гарантией безопасности движения. Поэтому ходовая часть требует постоянного внимания и диагностики для поддержания в исправном состоянии. В этой связи требуется своевременная диагностика и ремонт ходовой части автомобиля.Наш автосервис проводит полный спектр услуг с использованием профессионального оборудования по диагностике и ремонту ходовой части автомобиля.При проведении работ, связанных с ремонтом ходовой части автомобиля мы применяем только запасные части и расходные материалы, прошедшие сертификацию. При этом сам процесс замены и установки деталей происходит исключительно в соответствии с инструкциями завода-изготовителя. Объем и стоимость работ по ремонту ходовой обязательно согласовываются перед началом работ.При работах по ремонту ходовой автомобиля используется только профессиональный инструмент, что позволяет соблюдать технологию работ, и обеспечивает надежную гарантию.
Своевременная диагностика ходовой, аккуратная езда и бережное отношение к своему авто — вот три основных составляющих, которые помогут вам избежать дорогостоящего ремонта ходовой части.

Диагностика подвески включает в себя:

  • проверку состояния амортизаторов, пружин, рычагов, опорных чашек;
  • проверку отсутствия люфтов в шаровых опорах, рулевых наконечниках, ШРУСах;
  • проверку сайлентблоков и других узлов ходовой части автомобиля;
  • проверку ступичных подшипников;
  • проверку тормозной системы;

Наши мастера имеют значительный опыт работы в ремонте автомобилей, что помогает им выявлять причину любого стука в подвеске.

Признаки неисправности подвески:

  • Появление посторонних стуков при движении по неровной дороге
  • Гул при равномерном движении автомобиля
  • Люфт (свободный ход) рулевого колеса
  • Хруст или щелканье при повороте автомобиля
  • Неустойчивость автомобиля на больших скоростях
  • Увеличение крена кузова в поворотах
  • Увеличение тормозного пути автомобиля

Метод диагностики множества неисправностей коробки передач, работающей на периферийном оборудовании

В последние годы для мониторинга рабочего состояния промышленного оборудования и выполнения анализа диагностики неисправностей использовалось большое количество периферийных вычислительных устройств. Поэтому алгоритм диагностики неисправностей в граничном вычислительном устройстве особенно важен. С увеличением количества точек обнаружения устройств и частоты выборки мониторинг механического состояния вступил в эру больших данных. Граничные вычисления могут обрабатывать и анализировать данные в реальном времени или быстрее, делая обработку данных ближе к источнику, а не к внешнему центру обработки данных или облаку, что может сократить время задержки.После использования 8 бит и 16 бит для количественной оценки модели обучения глубоким измерениям не наблюдается очевидной потери точности по сравнению с исходной моделью с плавающей запятой, которая показывает, что модель может быть развернута и обоснована на граничном устройстве, обеспечивая при этом реальное время. . По сравнению с использованием серверов для развертывания, использование периферийных устройств не только снижает затраты, но и делает развертывание более гибким.

1. Введение

Редукторы играют важную роль в современных машинах и оборудовании, которые постепенно становятся сложнее, точнее и интеллектуальнее. Коробка передач состоит из шестерен, подшипников, вала и корпуса коробки, а также других частей. Он отличается компактной конструкцией, высокой эффективностью передачи, длительным сроком службы и надежной работой. Это незаменимый общий компонент в современной промышленности, включая авиацию, энергетические системы, автомобили и промышленные станки. Но из-за своей сложной конструкции и высокой скорости работы в суровых условиях он может легко выйти из строя, поэтому коробка передач является важным фактором отказа машины.Шестерни и подшипники являются двумя важными частями редукторов, и они подвержены локальным сбоям из-за усталости, износа и истирания, что приводит к ненормальной работе редукторов, что может привести к экономическим потерям, включая повреждение машин. Но производительность и срок службы некоторых подшипников и шестерен выше ожидаемых. Регулярный ремонт или замена их приведет к потере трудовых, материальных и производственных ресурсов. Использование периферийных вычислительных устройств для диагностики может способствовать более быстрому реагированию сетевых сервисов, удовлетворяя основные потребности отрасли в бизнесе в реальном времени, аналитике приложений, безопасности и защите конфиденциальности. Таким образом, использование периферийного вычислительного оборудования [1] для мониторинга и диагностики механического оборудования может эффективно избежать описанной выше ситуации. Следовательно, исследование эффективных технологий мониторинга состояния редукторов и выявления неисправностей имеет большое значение для обеспечения безопасности производства, предотвращения и предотвращения крупных аварий.

2. Материалы и методы
2.1. Сжатие модели в пограничных вычислениях

Диагностика неисправностей состоит из трех основных этапов: извлечение признаков, уменьшение размеров признаков и классификация.Традиционное извлечение признаков обычно использует искусственные методы, такие как вейвлет-преобразования, статистические признаки и разложение по эмпирическим модам. PCA, ICA и самокодировщики используются для уменьшения размера функций; Для классификации чаще всего используются байесовские классификаторы и классификаторы ближайшего соседа. Процесс показан на рисунке 1.


Все большее число исследователей используют нейронные сети для автоматического выделения признаков разломов и уменьшения размерности признаков, а также softmax для классификации неисправностей.Softmax — это обобщение логистического классификатора, которое в основном решает задачи мультиклассификации. Предполагая, что входная выборка в обучающих данных имеет размер x и соответствующая метка равна, вероятность определения выборки как класса j равна. Результатом работы классификатора K-класса будет K-мерный вектор. Сумма элементов вектора равна 1, а категория с наибольшей медианной из ее элементов — это класс прогнозирования, где показано, где — параметр модели и функция нормализации.Распределение вероятностей нормализовано так, что сумма всех вероятностей равна 1.

Технология глубокого обучения быстро развивается, особенно в областях классификации изображений, распознавания целей, семантического анализа сцены и обработки естественного языка. Глубокая нейронная сеть демонстрирует превосходство в обработке сложных данных и прогнозировании сложных систем. Многие эксперты и ученые в области механических неисправностей достигли хороших результатов при применении методов глубокого обучения для диагностики механических неисправностей.

Shao et al. [2], Wang et al. [3] и Chen et al. [4] использовали сети глубокого убеждения (DBN) для диагностики неисправностей подшипников качения и редукторов, и была проверена надежность и точность DBN по сравнению с некоторыми основными методами диагностики неисправностей. Используя DBN, Li et al. [5] изучали извлечение и слияние информации в условиях высокого фонового шума и достигли лучших результатов по сравнению с традиционными методами. Сверточная нейронная сеть (CNN) была применена для диагностики неисправностей, чтобы уменьшить количество параметров модели и повысить скорость вычислений.CNN можно рассматривать как модель нейронной сети для обработки изображений. В области диагностики неисправностей CNN может извлекать признаки и может использоваться для прогнозирования классификации искусственных признаков [6, 7]. Лу и др. [8] обработали данные о рабочем состоянии подшипников на основе неглубокой CNN и извлекли характеристические параметры и классификации неисправностей. Zhang et al. [9] построили многослойную одномерную CNN и использовали сигналы во временной области данных пеленга для проведения исследования диагностики неисправностей с хорошими результатами.Wang et al. [10] и другие использовали кратковременные преобразования Фурье для преобразования собранных сигналов вибрации двигателя в спектры и построили двумерную CNN для диагностики неисправностей, которая достигла высокой точности диагностики. Verstraete et al. [11] преобразовали сигналы подшипников качения во временной области в частотно-временные спектрограммы с помощью кратковременного преобразования Фурье, преобразования вейвлет-пакетов и преобразования Гильберта-Хуанга, обучили их CNN и изучили производительность сети, изменив размер входные частотно-временные спектрограммы и метод шумоподавления.Одномерный сигнал можно преобразовать в двумерную частотно-временную диаграмму путем преобразования время-частота, и тогда диагностика неисправностей с помощью CNN может достичь хороших результатов. Zhang et al. [12] взяли частотно-временной спектр сигнала вибрации подшипника качения после преобразования Фурье в качестве входных данных. Используя глубокую полностью сверточную нейронную сеть (DFCNN), данные сигнала вибрации подшипника качения, катящегося на 2-3 оборота, моделируются большим количеством сверточных слоев. Все эффекты достигли 100%.

Вышеупомянутое исследование показывает, что глубокое обучение обладает сильной адаптивной способностью извлечения признаков и классификации перед лицом больших задач механических данных.Эти исследования сыграли важную роль в диагностике одиночных разломов. Однако на практике редукторы часто имеют несколько видов неисправностей одновременно, и существуют сотни комбинаций сложных неисправностей. Для решения этой проблемы в данной статье предлагается модель обучения с глубокими измерениями, основанная на триплетных потерях. Сигналы о множественных неисправностях подшипников и шестерен коробки передач обрабатываются, и различные сложные неисправности моделируются с использованием различных подшипников, шестерен, нагрузок и скоростей вращения.Триплетные потери используются как функция потерь для оптимизации модели, таким образом эффективно решая задачу классификации сложных разломов [13–15].

Каждая тройка [16, 17] строится путем случайного выбора выборки из обучающего набора данных в качестве привязки (), а затем случайного выбора выборки того же типа, что и привязка, называемая положительным (), и различных классов выборок, называемых отрицательными ( ). Якорь, позитив и негатив составляют полную тройку. Нейронная сеть обучается для каждой выборки в тройке, и выражения признаков трех выборок обозначаются как.

Цель триплетных потерь — сделать расстояние между характеристическими выражениями и как можно меньшим, а расстояние между характеристическими выражениями и как можно большим. Между расстояниями есть минимальный интервал (это гиперпараметр, который можно установить вручную). Как показано на рисунке 2, триплет учится многократно вычислять потери триплета, чтобы уменьшить расстояние между похожими образцами и увеличить расстояние между разнородными образцами.В евклидовом пространстве более близкое расстояние между данными о двух разломах указывает на большее сходство. В формуле нижний индекс 2 представляет парадигму L2 и нормализует данные. Соответствующая целевая функция:


В предыдущем уравнении нижний индекс + указывает, что, когда значение в скобках больше нуля, потеря является значением, а когда она меньше нуля, потеря равна нулю. Из целевой функции видно, что когда расстояние между характеристическими выражениями и больше, чем расстояние между выражениями и минус.Если значение в скобках больше нуля, произойдет потеря. И, наоборот, убыток будет нулевым. Когда потери не равны нулю, все параметры сети регулируются алгоритмом обратного распространения ошибки для оптимизации функций.

Выбор триплетов — это, по сути, процесс передискретизации. Во всем наборе данных есть много подходящих троек. Предположим, что всего имеется B точек данных о неисправностях типов P и K точек данных каждого типа. Тогда B = P × K ; то есть имеется B исходных точек выборки, K — 1 аналогичная точка выборки и B K неоднородных точек выборки.Следовательно, количество квалифицированных троек составляет B × ( K — 1) × ( B K ). Некоторые триплеты удовлетворяют цели оптимизации; то есть расстояние между и намного меньше, чем между и. Вычисление этих троек бесполезно для оптимизации цели. Напротив, это снизит эффективность обучения. Schroff et al. [18] упомянули, что мы должны выбрать комбинацию, которая наиболее серьезно нарушает цель оптимизации, где расстояние между и намного больше, чем расстояние между и.Нарушена ли цель оптимизации, определяется путем вычисления евклидова расстояния новых функций внедрения между данными о неисправностях, но внедрение обновляет преобразование каждый раз; то есть триплеты, которые нарушают цель оптимизации, могут каждый раз быть разными. Если триплет повторно выбирается для каждого обновления, эффективность обучения алгоритма будет значительно снижена. В настоящее время существует два решения этой проблемы. (1) Для каждых n итераций просмотрите триплеты, чтобы вычислить потери триплетов по последнему результату обучения, пока сеть не сойдется или не выполнит итерацию до остановки, вместо обновления триплетов после каждой итерации. .(2) Обновите тройную потерю онлайн. Небольшое количество триплетов выбирается для формирования минипакета, в котором все пары положительных неисправностей выбираются в соответствии с встраиванием в это время. Затем отрицательный отказ, который удовлетворяет условию, что расстояние между и меньше, чем расстояние между и, выбирается в группе отрицательных замыканий. После вычисления триплетных потерь на основе вышеуказанных триплетов встраивание обновляется и повторяется до тех пор, пока сеть не сойдется или итерация не остановится.

В качестве объекта исследования взята составная неисправность шестерен и подшипников в коробке передач, и создана модель глубокого метрического обучения.Модель использует тройные потери как функцию потерь для построения сети. Он сопоставляет объекты с евклидовым пространством и вычисляет расстояние между объектами схожих и разнородных образцов в евклидовом пространстве. Чем ближе расстояние, тем больше сходство. Постоянно оптимизируя потери триплетов, нейронная сеть продолжает изучать новые функции и приближать расстояния между схожими выборками, в то время как расстояние между разнородными выборками увеличивается.

На рисунке 3 показана сетевая модель глубокого метрического обучения, разработанная в этой статье.Модель состоит из четырех слоев (входной слой, глубокая сеть, тройной слой и слой расчета функции потерь).


Задача глубокого сетевого уровня состоит в том, чтобы извлечь характеристики составного сигнала неисправности. Существует множество сетевых структур на выбор, например сверточная нейронная сеть (CNN), нейронная сеть с долговременной краткосрочной памятью (LSTM) и полносвязные нейронные сети.

Формы ввода, соответствующие различным сетям, показаны на рисунке 4.


В литературе [10, 19] показано, что эффект от использования сигнала во временной области непосредственно в качестве входных данных для обучения сети не является хорошим. В то же время потери в сети не могут сойтись, когда в качестве входного сигнала используется сигнал временной области, а точность составляет всего 30%. При диагностике единичных неисправностей редуктора [20] обучение сети с использованием сигнала частотной области в качестве входных данных после быстрого преобразования Фурье дало хорошие результаты.

Составной сигнал неисправности — это нестационарный сигнал, частота которого изменяется со временем.Это сложнее, чем одиночный сигнал неисправности. Трудно точно диагностировать совокупную информацию о неисправности в коробке передач, используя только сигнал частотной области, который извлекает только компоненты каждой частоты в сигнале и теряет временную информацию каждой частоты. Следовательно, два сигнала с очень разными временными областями могут совпадать со спектром.

Рассмотрим нестационарный сигнал как суперпозицию серии кратковременных сигналов. В этой статье STFT [21] используется для разделения сигнала на несколько временных интервалов.На основе традиционного преобразования Фурье частотный спектр вычисляется с помощью скользящего временного окна и определяется частота в определенном временном интервале. Частотно-временное описание сигнала выполняется таким образом, чтобы информация о времени не была потеряна. Предполагая нестационарный сигнал, кратковременное преобразование Фурье определяется как где — параметр временного преобразования и представляет оконную функцию с центром, усекает сигнал через оконную функцию и делит сигнал на несколько сегментов.

Перехваченный сигнал может быть выражен как где — сигнал, соответствующий исходному сигналу для фиксированного времени t , а S ( T ) — это сигнал, время выполнения которого соответствует T . Преобразование Фурье используется для получения спектра:

Изменяя размер параметра трансляции, центральное положение оконной функции может быть изменено для получения преобразований Фурье в разное время.

На каждом временном интервале получается другой спектр, и сумма этих спектров составляет частотно-временное распределение, то есть спектрограмму.

После кратковременного преобразования Фурье сигнала отношение спектральной энергии за время t равно

Как показано на рисунке 5, составной сигнал неисправности преобразуется в частотно-временную диаграмму через STFT и, наконец, сжимается для генерации изображение размером 80 × 80 для ввода в сеть.


Структура сверточного сетевого уровня напрямую влияет на эффект сетевой модели, поэтому выбор параметров сетевой структуры особенно важен.

На рисунке 6 показана структура сверточного сетевого уровня.


В таблице 1 показаны структурные параметры, принятые слоем сверточной нейронной сети. Сеть использует ReLU в качестве функции активации и равномерного распределения при инициализации параметров сети. Диапазон составляет [-0,1, 0,1]. В сети используется оптимизатор Adam со скоростью обучения 0,06. Для исключения установлено значение 0,5, чтобы избежать переобучения в сети. Такая структура гарантирует, что сеть может изучить как можно больше функций, и предотвращает переоснащение.

20 0 901 13

Слои Размер выхода Параметр

Conv2d 9011 9011 9011 9011 9011 (Нет) ReLU) (Нет, 78, 78, 32) 0
max_pooling2d (Нет, 39, 39, 32) 0
Conv2d_1 (Нет, 37, 37 ) 18, 496
Activation_1 (ReLU) (Нет, 37, 37, 64) 0
max_pooling2d_1 (Нет, 18, 18, 64) Conv2d_2 (Нет, 16, 16, 128) 73, 856
Activation_2 (ReLU) (Нет, 16, 16, 128) 0
max_pooling 902d_2 8, 8, 128) 0
Flatten (Нет, 8192) 0
Плотный (Нет, 256) 2, 097, 408
Activation_3 (ReLU) 0119 (Нет)
Выпадение (Нет, 256) выпадение = 0.5 0
Dense_1 (Нет, 32) 8, 224

Сверточный разделяющий слой нейронной сети следует за слоем тройной выборки размерные особенности сверточной нейронной сети выводятся и генерируют триплет для оптимизации. В этой статье используется онлайн-обновление потери триплетов, упомянутое в разделе 3, для решения проблемы выбора триплетов. Последний слой — это слой вычисления функции потерь, который нормализует характеристики вывода через парадигму L2 и, наконец, вычисляет триплетные потери.

Триплетные потери используются как функция потерь сети (запас гиперпараметров = 1). С минимальными потерями триплетов в качестве цели оптимизации сети, алгоритм обратного распространения (BP) используется для постоянного обновления веса нейронной сети для обучения оптимальным функциям.

В новом обученном пространстве признаков расстояние между данными разных типов неисправностей велико, а расстояние между данными одного и того же типа неисправности мало [5, 22, 23].

3.Процесс работы на периферийном оборудовании

На рисунке 7 показана блок-схема обучения и диагностики неисправностей модели обучения с глубокими измерениями на основе тройных потерь.


Шаги следующие.

Первый шаг — это сбор пробы. Посредством кратковременного преобразования Фурье исчерпывающие данные о неисправностях коробки передач преобразуются в частотно-временную диаграмму.

Следующее — обучение сети. Сигнал частотной области вводится в сеть, и глубокая сеть извлекает особенности каждой точки данных неисправности.Имея евклидово расстояние между этими особенностями и меткой данных разлома, модель может выбрать триплет в соответствии со второй схемой в разделе 3 для расчета функции потерь триплета. Веса сети обновляются путем обратного распространения ошибки, и вышеупомянутые шаги повторяются до тех пор, пока сеть не сойдется или не закончится итерация, сохраняя параметры модели.

Третий шаг — диагностика. В конце обучения модели прямое распространение используется для получения характеристики каждой категории неисправности, которая является шаблоном, необходимым для диагностики данных неизвестных неисправностей.После глубокой сетевой обработки данные о неизвестных неисправностях также могут получить функцию. Можно вычислить евклидово расстояние между признаком неизвестных данных и признаком шаблона и выбрать минимальное значение евклидова расстояния. Результат диагностики можно получить, сравнив минимальное значение с заданным порогом.

Четвертый шаг — получение результатов диагностики. Порог установлен, потому что данные о неизвестной неисправности, вероятно, указывают на совершенно новый тип неисправности.Его характеристики далеки от евклидова расстояния каждого объекта в шаблоне, но модель выбирает в качестве выходных данных недавний тип разлома. Если минимальное значение превышает пороговое значение, то вектор признаков неисправности сохраняется в библиотеке шаблонов, метка записывается как неизвестная неисправность 1, а в результате диагностики выводится «неизвестная неисправность 1.» Когда неизвестные данные типа сбоя встречаются снова, модель глубокого метрического обучения может точно диагностировать это. Если минимальное значение меньше порогового значения, то результат диагностики выводится как категория неисправности шаблона, ближайшего к данным неисправности (чем меньше евклидово расстояние между элементами данных неисправности, тем они более похожи).

4. Эксперимент и анализ
4.1. Предварительная обработка данных на основе пограничных устройств

Для обучения сетей глубокого обучения требуется поддержка большого объема данных, а качество данных обучения напрямую влияет на вывод модели. В этом документе в качестве объекта исследования использовался испытательный стенд для диагностики неисправностей передачи электроэнергии (DDS) производства Spectra Quest (как показано на рисунке 8). При установке датчика ускорения (SQI608A11-3F) это исследование относится к методу сбора данных подшипников Университета Кейс Вестерн Резерв (http: // csegroups.case.edu/bearingdatacenter/home). Датчик ускорения был закреплен на левой и правой сторонах неподвижного вала коробки передач болтами (как показано на Рисунке 8 для датчиков 1 и 2). Частота дискретизации составляла 20 кГц, время дискретизации — 20 с.


Объектом исследования данной статьи является неисправность коробки передач. В настоящее время нет открытого набора данных по сложным разломам. Поэтому мы ссылаемся на процесс сбора данных подшипников в Университете Кейс Вестерн Резерв и сами выполняем сбор данных на симуляторе динамики трансмиссии (DDS).Если есть подходящий открытый набор данных, мы проведем дальнейшие исследования.

Путем замены шестерен (например, с отсутствующими зубьями, сломанными зубьями, эксцентриситетом, чрезмерным износом и трещинами) и подшипников (неисправность внутреннего кольца, неисправность внешнего кольца, неисправность тел качения и сложная неисправность) в коробке передач, 30 видов неисправностей Были смоделированы неисправности, которые могут возникнуть в коробке передач, как показано на Рисунке 9. Для моделирования более реалистичной производственной среды искусственное шумовое загрязнение производилось путем постукивания металла по редуктору или столу в случайное время, а сигнал загрязнения составлял около 5 % от общего сигнала.


Изображение конкретного места неисправности и степени повреждения показано на рисунке 10.


При этом для увеличения разнообразия образца скорость изменялась путем управления приводным двигателем передней части при сбор данных; нагрузка была изменена путем управления регулятором нагрузки, чтобы смоделировать тип условий работы, которые могут возникнуть при реальном производстве. Каждый образец неисправности был собран при четырех скоростях двигателя (1700, 1800, 3400 и 3800 об / мин) и четырех нагрузках (A, B, C и D; напряжение и ток нагрузки каждой нагрузки см. В таблице 2).


Нагрузка Ток (А) Напряжение (В)

A
0 4
C 0,56 6
D 0,75 8

для левой временной области были собраны сигналы в левой временной области. рабочее состояние для получения 960 файлов вибросигналов (30 типов многокомпонентных комбинаций × 4 скорости × 4 нагрузки × 2 канала).Каждый сигнальный файл содержал 409 600 сигнальных точек.

Файл сигнала вибрации был разделен случайным образом, и 409 600 точек в каждом файле сигнала были равномерно разделены на 200 сегментов по 2048 точек. Чтобы полностью изучить способность модели распознавать, в этой статье разработаны девять различных методов разделения данных; разделение показано в таблице 3.

9 0120
1800, 3400, 3800

Набор данных Метод сегментации Обучающий набор Тестовый набор Общее количество выборок
Типы сигналов образцы Типы сигналов Количество отсчетов

A Сегментация в процентах Случайно 75% 144000 Осталось 25% 9011 9011 9011 9011 9011 9011 9011 9011 Сегментация по нагрузке B, C, D 144000 A 48000 192000
C Сегментация по нагрузке A, C, D 192000
D Сегментация по нагрузке A, B, D 144000 C 48000 192000
E Сегментация по нагрузке A, B, C 144000 D

,0009
48000 9011 9011 9011 по скорости 1800, 3400, 3800 144000 1700 48000 192000
G Сегментация по скорости 1700, 3400, 3800 144000 144000
H Сегментация по скорости 1700, 1800, 3800 144000 3400 48000 192000
I 1800114 по скорости 3800 48000 192000

Для сравнения диагностического эффекта сверточной нейронной сети + классификатора softmax и модели обучения измерению глубины, основанной на триплетных потерях, делаются два вида меток (структура и параметры сверточной сети в двух моделях идентичны).(1) Типы неисправностей были разделены на 30 категорий (пять неисправностей подшипников и шесть неисправностей шестерен). Мы создали ярлыки для тренировочного и тестового наборов отдельно. Метка, соответствующая softmax, должна кодировать метку данных. Мы использовали одно горячее кодирование. (2) Типы неисправностей были разделены на 30 категорий (пять неисправностей подшипников, шесть неисправностей шестерен, четыре нагрузки и четыре скорости). Мы создали отдельные ярлыки для тренировочного и тестового наборов. Меткой для ввода триплетных потерь была матрица единиц.

5. Результаты и обсуждение
5.1. Экспериментальная проверка

Данные в таблице 3 вводятся в диагностическую модель сверточной нейронной сети + классификатор softmax и модель обучения с глубокими измерениями, основанную на триплетных потерях, соответственно, для обучения модели (структура и параметры сверточной сети идентичны в двух моделях).

Из результатов экспериментов в таблице 4 видно, что точность диагностической модели сверточной нейронной сети + классификатор softmax может достигать 94.66%, когда данные процентного разреза (т. Е. Достаточные данные обучения, включая различные скорости вращения и нагрузки) нормализованы (т. Е. Таблица 4, эксперимент 10), в то время как точность модели обучения измерению глубины, основанной на тройных потерях, может достигать 97,73%. .

9011 9 9011 9011 9011 9011 9011 9011 9011 9011

Эксперимент Данные Нормализация Точность тестового набора
Использование softmax Использование триплетных потерь
9011 9011 9011 9011 9011 9011 9011 9011
0.93942 0,9611
2 B Нет 0,89214 0,9437
3 C 9011 9011 4 0,

0,9509
5 E 0,92573 0,9593
6 F 0.68717 0,8334
7 G Нет 0,67384 0,8376
8 H Нет 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 9011 0,38966 0,8168
10 A Да 0,94668 0,9773
11 B 0,9615
12 C Да 0,92335 0,9703
13 D Да 0,93611 0,93282 0,9632
15 F Да 0,68371 0,9124
16

178

0,9133
17 H Да 0,50438 0,9098
0,9045

Подчеркнутые значения курсивом указывают на крайние случаи в экспериментальных результатах, и они подробно объясняются ниже.

При использовании данных, отсутствующих в определенной нагрузке для обучения сети и использовании этих данных нагрузки для тестирования сети (эксперименты 2–5, 11–14), две модели могут получить более высокую точность на тестовом наборе, но модель обучения с использованием глубоких измерений все же лучше [24–26].

При использовании данных, отсутствующих на определенной скорости, для обучения сети и использовании этих данных скорости для тестирования сети (эксперименты 6–9, 15–18), мы можем видеть из рисунка 11, что диагностическая модель сверточной нейронной сети + softmax Классификатор вызывает серьезное явление переобучения, а точность тестового набора очень низкая.


Но модель глубокого метрического обучения обладает сильной способностью к обобщению. Как показано на Рисунке 12, модель может по-прежнему обеспечивать высокую диагностическую точность, даже если некоторые данные о рабочих условиях могут отсутствовать при практическом применении. Даже в эксперименте с отсутствием данных о скорости двигателя (эксперименты 15–18) точность может достигать более 90%.


Основные причины, по которым метод, предложенный в этой статье, может обеспечить более высокую диагностическую точность, следующие: (1) сигналы вибрации преобразуются в частотно-временные диаграммы с помощью STFT, а особенности частотно-временных диаграмм извлекаются с помощью сверточного нейронная сеть; таким образом, эффективно используется информация о частоте и времени сигналов неисправности.Для более интуитивной проверки возможности предложенного метода извлечения признаков два различных типа сигналов неисправности (A и B) выбираются случайным образом и вводятся в модель сети с наивысшей точностью, полученной в таблице 4, эксперимент 10. Выходные данные Визуализированы особенности сверточного слоя Conv2d и сверточного слоя Conv2d_2 на рисунке 6 [27]. Результаты визуализации ядра свертки сигналов A и B показаны на рисунке 13. (2) Использование триплетных потерь для измерения расстояния между разными типами разломов делает расстояние между схожими характеристиками разлома очень близким, а расстояние между различными элементами разлома очень большим. , что делает диагностику более точной и простой.Однако традиционная сверточная нейронная сеть + модель классификатора softmax не измеряет расстояние между признаками неисправности. Чтобы доказать, что модель может сделать так, чтобы характеристика данных разлома соответствовала расстоянию между подобными образцами все ближе и ближе, в то же время расстояние между разными образцами все больше и больше [28]. В этой статье случайным образом выбираются пять типов неисправностей (A, B, C, D и E). 1600 точек данных (5 * 1600 = 8000 данных) выбираются случайным образом для каждого типа неисправности.На рисунке 14 показано исходное распределение 8000 точек данных, визуализированное T-SNE.

На рисунке 15 показано распределение 8000 точек данных в визуализации t-SNE после обработки с помощью модели обучения с глубокими измерениями.



6. Выводы

В этой статье впервые используется модель глубинного метрического обучения для одновременной диагностики неисправностей внутренних подшипников и шестерен в коробке передач, а собранные данные сегментированы по различные способы моделирования ситуации отсутствия некоторых данных рабочего состояния в практическом применении, чтобы проверить производительность сетевой модели.При этом построена модель сверточной нейронной сети + классификатор softmax для сравнения и классификации. Выводы заключаются в следующем: (1) Когда отсутствует отсутствующий тип данных, модель обучения с глубинными метриками может адаптивно извлекать функции при работе со сложными неисправностями коробки передач. Точность диагностики сложных неисправностей может достигать 97,73%, что выше, чем при использовании модели сверточной сети + классификатора softmax. (2) При использовании недостающих данных нагрузки для обучения сети и использовании недостающих данных нагрузки для тестирования сети точность модели свёрточной сети + классификатора softmax по-прежнему составляет 97 + 0.6%, в то время как точность модели свёрточной сети + классификатора softmax составляет всего 92 + 1%. (3) При использовании обучающей сети данных с отсутствующей скоростью и использовании недостающих данных скорости для тестирования сети модель свёрточной сети + классификатора softmax вызывает серьезное явление переобучения, а точность тестового набора очень низкая, всего около 60%. Тем не менее, модель обучения измерению глубины не была адаптирована, и точность набора тестов все еще выше, чем 90%. (4) Набор данных о нескольких неисправностях коробки передач, собранный в этой статье, имеет определенную исследовательскую ценность и может использоваться для оценки модели для такого рода проблем.

Доступность данных

В этой статье рассматривается метод сбора данных подшипников CWRU, размещение датчиков и т. Д. С использованием комплексного испытательного стенда Spectra Quest для диагностики неисправностей трансмиссии (Drivetrain Dynamics Simulator, DDS) в качестве тестового объекта для сбора данных о сложных неисправностях коробки передач . Адрес хранения данных о сложных неисправностях в коробке передач: https://pan.baidu.com/s/1zBJLV-O5v6nS9rfjI6a5Kg, а код извлечения — 286w. Эти данные включают данные сигнала вибрации без какой-либо обработки.

Конфликт интересов

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

Благодарности

Авторы благодарят LetPub (http://www.letpub.com) за лингвистическую помощь при подготовке этой рукописи. Авторы выражают признательность за финансовую поддержку Национальному научному фонду Китая (гранты № 51505234, 51575283 и 51405241).

Лучшая одежда и снаряжение для начинающих

Если вы новичок в беге или тренируетесь для своих первых 5 км, вы можете спросить: « Что мне надеть при беге ?» Хорошая новость в том, что вам действительно не нужно много модного бегового снаряжения или дорогой одежды, чтобы стать успешным бегуном.Это довольно неприхотливый вид спорта, и для бегунов есть множество советов по экономии денег.

Но если вы хотите, чтобы ваши пробежки были максимально комфортными и безопасными, обратите внимание на самые важные моменты.

Кроссовки

Когда вы начинаете бегать, вам понадобится пара хороших кроссовок, которые подходят именно вам. Ношение неправильной обуви на самом деле является одной из наиболее частых причин беговых травм.

При покупке кроссовок не выбирайте пару только потому, что вам нравится бренд, стиль, цвет или цена.Вам определенно не нужно покупать самую дорогую пару в магазине, но покупка хорошей пары — это разумная идея, которая поможет предотвратить травмы и сделает бег более комфортным.

Если вы впервые покупаете кроссовки, посетите специализированный магазин для бега, где эксперты могут оценить вашу ногу и стиль бега и порекомендовать вам подходящую обувь. Персонал будет измерять вашу ногу, наблюдать за тем, как вы бегаете на беговой дорожке, и анализировать вашу походку. Некоторые магазины даже позволяют вывозить их в дорогу в этом районе.

Во время этого визита вы должны быть уверены, что при примерке обуви вы носите специальные носки для бега. Толщина носка изменит посадку обуви. Если у вас нет пары, попросите продавца одолжить пару.

Особенности, на которые следует обратить внимание

Вот несколько вещей, которые следует учитывать при покупке новой пары кроссовок.

  • Амортизация по сравнению с легкостью. Обувь с сильной амортизацией отлично подходит для начинающих бегунов, особенно для более тяжелых.Однако мягкие туфли обычно весят больше и могут казаться более неуклюжими во время бега. Попробуйте более легкую обувь и мягкую обувь, чтобы понять, что вам больше по душе.
  • Светоотражающая поверхность. Если вы планируете бегать вечером или рано утром, подумайте о паре обуви со светоотражающим материалом. Когда вы их наденете, вас будут легче видеть водители и велосипедисты.
  • Протектор. Подумайте о поверхности, по которой вы, скорее всего, побежите. Будете бегать на беговой дорожке? В дороге? По тропам? На трассе? У кроссовок для трейлраннинга более глубокий и толстый протектор, чем у кроссовок, предназначенных для бега на беговой дорожке, беговой дорожке или по дороге.

Подсказка: Как только вы определите, какие кроссовки подходят для вашего стиля и походки, вы можете делать покупки по выгодным ценам, когда придет время для замены пары.

Одежда для бега

Когда вы только начинаете заниматься бегом, вам не нужно спешить и покупать новый гардероб одежды для бега — если это для вас действительно не важно. Но если вы хотите приобрести несколько новинок, вот с чего начать.

Носки для бега

Это разумная идея — не носить носки из 100% хлопка во время бега.Если вы носите хлопковые носки, влага не уйдет, если ваши ноги потеют или вы наступите в лужу.

Вместо этого наденьте носки для бега из смеси синтетических материалов, чтобы предотвратить образование волдырей. Выбирайте такие материалы, как полиэстер, акрил и CoolMax. Для зимнего бега хорошим выбором будут смеси шерсти, такие как SmartWool. Некоторые бегуны даже предпочитают носить двухслойные носки для дополнительной защиты от волдырей.

Стиль носка — на ваше усмотрение. Некоторые из них срезаны очень низко до щиколотки.Вы найдете другие носки высотой до щиколотки, и есть даже компрессионные носки, которые простираются до икры. Выберите стиль, который лучше всего подходит вам и подходит для погоды. Многие бегуны выбирают более низкие носки летом и более высокие зимой.

Техническая одежда для бега

Специальная одежда для бега легкая и предназначена для движения вместе с вашим телом. Швы размещаются в местах, чтобы улучшить движения и там, где они менее подвержены натиранию. Кроме того, многие виды одежды для бега обладают светоотражающими свойствами, поэтому вы можете безопасно бегать в темноте.

Ходовая часть обычно изготавливается из тканей, включая высокотехнологичные варианты нейлона, шерсти или полиэстера. В холодную погоду бег в технической ткани поможет сохранить тепло и сухость. Во время бега в жаркую погоду они отводят пот от тела и предотвращают натирание.

Технические ткани также намного лучше держатся при использовании и стирке, чем спортивная одежда из хлопка. Одежда как для холодной, так и для теплой погоды может иметь вентиляционные отверстия для улучшения воздухопроницаемости.Взаимодействие с другими людьми

Совет: Когда вы идете на пробежку, будьте осторожны, чтобы не переодеться. После того, как вы разогреетесь, дополнительное тепло вашего тела сделает его на 15-20 градусов теплее. Например, если на улице температура выше 55 градусов, вы, вероятно, будете нормально бегать в футболке и шортах.

Поддерживающие спортивные бюстгальтеры

Женщинам следует убедиться, что они носят хороший поддерживающий спортивный бюстгальтер, предназначенный для бега или других высокоэффективных занятий. Примерьте его и проверьте, бегая на месте и подпрыгивая.Ваш спортивный бюстгальтер должен подходить по размеру и не слишком растягиваться.

Если у вас большая грудь и в прошлом у вас возникли проблемы с поиском удобного поддерживающего спортивного бюстгальтера, попробуйте один из этих лучших спортивных бюстгальтеров для большой груди.

Большинство спортивных бюстгальтеров необходимо заменять после 72 стирок, когда теряется эластичность или если ваш вес значительно изменился.

Другие особенности одежды для бега

  • Сжатие. Некоторые носки, колготки и топы для бега сделаны из компрессионной ткани.Компрессионное снаряжение может помочь ускорить восстановление после пробежки, и многие люди предпочитают ощущение поддержки, которое они получают, когда носят его.
  • Карманы. Если вы не хотите носить рюкзак во время бега, поищите куртки, колготки, капри и другое снаряжение с карманами. Многие карманы специально предназначены для телефона или мелких предметов, таких как ключ или кредитная карта.
  • Отверстие для большого пальца. Многие топы и куртки имеют отверстие для большого пальца в рукаве, чтобы увеличить защиту рук во время бега в холодную погоду.
  • Защита от солнца. Некоторые виды ходовой части разработаны специально для защиты кожи от солнечных лучей. Помимо шляпы и солнцезащитного крема, одежда с защитным фильтром SPF может снизить риск рака кожи.

Другая ходовая часть

Есть несколько дополнительных предметов, которые не обязательно являются необходимыми, но могут существенно повлиять на качество и безопасность ваших пробежек, если вы возьмете их с собой в поездку.

Спортивные часы

Часы для бега отлично подходят для хронометража ваших пробежек, поддержания темпа во время гонок и отслеживания маршрута с помощью GPS.Даже простые часы с кнопкой остановки и запуска могут быть полезны начинающим бегунам, так как они могут рассчитывать время своих пробежек и использовать их для измерения интервалов бега / ходьбы. Некоторые часы для бега также могут отслеживать частоту сердечных сокращений и другие показатели.

Беговое полотно

Держите руки свободными во время бега, добавив беговое полотно. Существует множество элегантных вариантов для вашего удостоверения личности, денег и ключей или более вместительных ремней для хранения более крупных предметов. Ношение удостоверения личности (или идентификационной бирки на обуви) и наличие при себе дополнительных денег — хороший способ обеспечить безопасность при беге на открытом воздухе.

Телефон и приложения

Не все предпочитают бегать (или участвовать в гонках) со своим телефоном, но если вы хотите, чтобы он был при себе на случай чрезвычайной ситуации, чтобы послушать музыку, использовать приложение для бега или сделать снимки на бегу, неплохо взять его с собой. вдоль. Вы, конечно, можете носить его в руке, но вас также может заинтересовать ремень, повязка на руку или другое снаряжение с карманами, которое поможет спрятать его в пути.

Защита от солнца

Бегуны проводят много времени на открытом воздухе на солнце, поэтому не забывайте защищать кожу от воздействия солнца.Вот как:

  • Используйте водостойкий солнцезащитный крем с SPF не менее 30 и обеспечивающий защиту широкого спектра, что означает, что он защищает как от UVA, так и от UVB лучей. Составы в виде стиков особенно хороши для вашего лица, потому что солнцезащитный крем не попадет вам в глаза.
  • Добавьте козырек или головной убор, которые обеспечат дополнительную защиту лица. Они также помогают впитывать пот, поэтому солнцезащитный крем не попадает в глаза. Вы будете особенно рады, если у вас будет шляпа, если вас поймают на бегу под дождем.
  • Купите хорошие солнцезащитные очки для бега с защитой от ультрафиолета, чтобы защитить глаза от вредных солнечных лучей.

Вода

При беге более 30 минут важно употреблять воду, чтобы избежать обезвоживания. Если у вас нет доступа к воде на беговых маршрутах, возможно, вам придется носить с собой собственные жидкости. Вот некоторые из наших любимых бутылок с водой и переноски, которые можно использовать в дороге.

Что не носить во время бега

Теперь, когда вы знаете, что нужно искать в хорошей ходовой части, вам следует также посоветовать, чего следует избегать.

100% хлопок

Хлопок — большой запрет для бегунов, потому что, когда он намокнет, он остается мокрым, что может быть неудобно в теплую погоду и опасно в холодную погоду. Если вы носите хлопок, ваша кожа будет больше натираться. Избегайте хлопчатобумажной одежды и хлопковых носков.

Спортивные штаны

Да, это еще раз подчеркивает правило «без хлопка», но его стоит повторить. Спортивные штаны и толстовки когда-то были популярной одеждой для бега в холодную погоду. Но с появлением беговой одежды из технических тканей, спортивные бегуны стали считаться «старой школой».Они подходят для коротких пробежек, особенно при ношении в качестве внешнего слоя, но обычно не подходят для более длинных пробежек.

Одежда для бега из технической ткани отводит пот и сохраняет сухость. Если вы носите хлопчатобумажные спортивные штаны во время бега на улице в холодную погоду, вы промокнете, останетесь мокрыми и затем простудитесь. Это может быть не только неудобно и потенциально опасно, но также, вероятно, пострадают ваши беговые качества.

Тренировки отлично подходят для того, чтобы бездельничать дома после пробежки, но если вы хотите чувствовать себя комфортно и хорошо выглядеть во время холодных пробежек на свежем воздухе, придерживайтесь беговых колготок, брюк и рубашек из технических тканей.

Тяжелые слои

Во время бега в холодную погоду не надевайте толстое пальто или рубашку. Если слой будет слишком толстым, вы перегреетесь, сильно потеете, а когда снимете его, вам станет холодно. Гораздо лучше одеваться в тонкие влагоотводящие слои, чтобы не сильно потеть, и вы могли легко снять слой и завязать его вокруг талии, когда начнете нагреваться.

Также разумно избегать слишком толстых носков. Ноги опухают при беге, особенно во время жарких летних пробежек.Если вы носите толстые носки для бега, ваши пальцы ног будут тереться о переднюю часть обуви, и вы рискуете получить черные ногти на ногах.

Изношенная обувь

Бег в старых или изношенных кроссовках может привести к травмам во время бега. Со временем ваши кроссовки теряют амортизацию, амортизацию и устойчивость. Бег в изношенной обуви увеличивает нагрузку на ноги и суставы и увеличивает нагрузку на них, что может привести к чрезмерным травмам.

Помните о признаках необходимости замены кроссовок.Один из лучших способов предотвратить травмы при беге — это менять обувь каждые 200–250 миль. Вы также можете рассмотреть возможность использования двух пар кроссовок, сменяющих новую пару, когда ваша старая пара находится примерно на полпути. через его продолжительность жизни.

Новое снаряжение в день соревнований

В день соревнований не время экспериментировать с новой парой кроссовок, шортами или новым спортивным бюстгальтером. Вы должны пробовать новую одежду и обувь во время тренировочных пробежек, а затем придерживаться проверенных временем фаворитов, которые, как вам известно, удобны.

Слово Verywell

Может показаться, что вам нужно купить много снаряжения перед тем, как начать бегать, но сначала сосредоточьтесь на основах. Это начинается с удобной пары кроссовок, которая соответствует вашим конкретным потребностям и целям, а также желанию выйти и отправиться в путь.

Диагностика неисправностей, ориентированная на ухудшение состояния, для системы ходовой части высокоскоростных поездов.

Датчики

(Базель). 2020 Фев; 20 (4): 1017.

Хао Луо

4 Академия астронавтики, Харбинский технологический институт, Харбин 150001, Китай

Бангчэн Чжан

5 Школа мехатронной инженерии, Технологический университет Чанчунь 12 Чанчунь 1300 , Китай; NC.ude.tucc@gnehcgnabgnahz

3 Департамент автоматизации, Университет Цинхуа, Пекин 100084, Китай

4 Академия астронавтики, Харбинский технологический институт, Харбин 150001, Китай

Поступила в редакцию 5 января 2020 г .; Принято 11 февраля 2020 г.

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 в других статьях в PMC.

Abstract

Являясь одним из важнейших компонентов высокоскоростных поездов, система ходовой части напрямую влияет на эксплуатационные характеристики поезда. В этой статье предлагается ориентированный на ухудшение состояния метод диагностики неисправностей действующей системы ходовой части на основе процесса ухудшения состояния Винера и мультисенсорной фильтрации. Прежде всего, для данных измерений высокоскоростного поезда в данной статье рассматриваются характеристики сбора и передачи информации композитных датчиков, которые устанавливают распределенную топологию подшипников буксы.Во-вторых, распределенная фильтрация построена на основе модели билинейной системы, а параметры усиления фильтра рассчитаны на минимизацию среднеквадратичной ошибки. Для лучшего представления характеристик деградации в реальной эксплуатации в этой статье строится улучшенная нелинейная модель. Наконец, порог определяется на основе неравенства Чебышева для надежной диагностики неисправностей. Открытые наборы данных подшипников вращающегося оборудования и реальные измерения используются в тематических исследованиях, чтобы продемонстрировать эффективность предлагаемого метода.Результаты, полученные в этой статье, согласуются с реальной ситуацией, подтверждающей валидацию предложенных методов.

Ключевые слова: диагностика неисправностей, распределенная оценка состояния, деградация состояния

1. Введение

В настоящее время строительство и эксплуатация железных дорог являются высокоскоростными, что значительно влияет на устойчивость и быстрый прогресс национальной экономики. Все больше внимания привлекают вопросы безопасности и надежности эксплуатации железных дорог. В качестве базовой системы, которая напрямую влияет на плавность движения высокоскоростных поездов, система ходовой части является ключевым компонентом поезда в обеспечении динамики и тяговых характеристик и имеет функции буферизации, виброизоляции, выработки мощности и поддержки кузова транспортного средства. .По сути, система ходовой части представляет собой сложную систему, состоящую из множества компонентов. Среди этих компонентов коррозия, отслоение и деградация одного компонента могут легко распространить локальную неисправность и перерасти в серьезную неисправность на уровне системы, что может вызвать непредвиденные потери. Очень важно проанализировать снижение производительности системы [1,2] и предотвратить распространение сбоев. Поэтому своевременная диагностика системы ходовой части играет ключевую роль в обеспечении безопасной эксплуатации поездов.

За последние несколько десятилетий было выполнено много работ по технологиям диагностики неисправностей в различных аспектах. Традиционно методы диагностики неисправностей для систем высокоскоростных поездов в основном состоят из двух факторов: модельного и сигнального [3]. Методы диагностики неисправностей на основе сигналов анализируют данные измерений для диагностики неисправностей без знания / идентификации модели системы. Общие методы, основанные на сигналах, включают многомерный статистический анализ [4,5], методы машинного обучения [6,7], методы обработки сигналов [8], методы объединения информации [9,10] и т. Д.Вышеупомянутые методы предъявляют высокие требования к объему и типу данных. Измерения ходовой части высокоскоростных поездов имеют высокую частоту дискретизации и длительный цикл измерения. Если система ходовой части высокоскоростного поезда будет повреждена, она будет своевременно ремонтироваться и регулярно обслуживаться. Однако адекватные данные об отказах для анализа очень редки. Наиболее важным этапом метода диагностики неисправностей на основе сигналов является точное извлечение характеристик неисправностей [11].Если для обучения используются измерения с незаметными характеристиками неисправностей, точное извлечение признаков обычно не может быть гарантировано, и это напрямую повлияет на результат диагностики неисправностей. Напротив, методы диагностики неисправностей на основе моделей, которые более чувствительны к неопределенности / неисправности, имеют более низкие требования к количеству и типу данных. Они больше подходят для надежной диагностики неисправностей систем ходовой части высокоскоростных поездов.

Среди методов диагностики неисправностей на основе моделей класс улучшенных методов, основанных на фильтре Калмана, используется для борьбы с влиянием шума системы / измерения.Ян и др. [12] представили расширенную модель фильтра Калмана и улучшенную модель машины опорных векторов в структуру онлайн-классификации, где нелинейность аппроксимируется разложением Тейлора первого порядка, а онлайн-обнаружение неисправностей системы вентиляции и кондиционирования воздуха достигается позже. . Ning et al. [13] предложили усовершенствованный надежный метод фильтрации Калмана, основанный на нейронной сети с оптимальной радиальной базисной функцией, который снижает влияние ошибок состояния и ошибок наблюдения на оценку состояния.Wang et al. [14] снизили влияние оцененного шума при диагностике неисправностей на плате и отказоустойчивом управлении через фильтр Калмана и повысили надежность диагностики неисправностей. Наконец, метод проверяется бортовой системой управления прототипом. Akai et al. [15] использовали метод фильтрации частиц для оценки состояния целевого робота, чтобы реализовать фильтрацию системы под влиянием шума. Wu et al. [16] предложил алгоритм диагностики неисправностей для ранних отказов, основанный на обобщенной оценке.Инь и др. [17] применили метод стохастического резонанса на основе алгоритма резонанса состояний к системам тяги высокоскоростных поездов для достижения оптимального извлечения и восстановления частоты. Cadini et al. [18] использовали фильтр твердых частиц для оценки длины трещин для диагностики ранних неисправностей трещин авиационной конструкции. Для оценки состояния с неизвестными входными данными некоторые исследователи используют генераторы остатков неизвестных входных данных и фильтры оценки для диагностики неисправностей [19]. Ученые также рассматривают декомпозицию внешних возмущений и объединяют неизвестные входные наблюдатели для завершения диагностики сложных неисправностей [20].Для нелинейных систем He et al. [21] применили ранговую фильтрацию частиц для диагностики неисправностей подводных аппаратов. В последние годы, чтобы повысить точность оценки состояния и снизить частоту ложных тревог, ученые тщательно изучили шум измерений и неизвестные помехи. Чжоу и др. [22] применили улучшенный фильтр Калмана без запаха и радиальную базисную функцию, основанную на адаптивном коэффициенте шума, к насосной установке для диагностики неисправностей. Лю и др. [23] использовали адаптивный контроллер для обработки неизвестных системных параметров и возмущений для достижения отслеживания состояния цели.Gan et al. [24] использовали коэффициент адаптации для повышения точности алгоритма фильтра Калмана без запаха, тем самым повышая точность диагностики неисправностей аналоговых схем. Однако большинство существующих методов основано на оценке состояния и улучшении отдельного узла системы мониторинга. Такие методы в основном полагаются на надежность узлов сбора информации. Для реальной системы сбора информации о высокоскоростных поездах измерения, полученные в разных местах одной и той же зоны мониторинга, содержат разную информацию, которая косвенно влияет на согласованность сбора информации и снижает точность диагностики неисправностей.С развитием мультисенсорной системы распределенная оценка изучалась и применялась в различных сценариях. Jing et al. [25] реализовал объединение данных нескольких датчиков планетарного редуктора путем объединения сигнала вибрации, звукового сигнала, тока приводного двигателя, скорости вала, масляной стружки и других измерений, а затем обнаружил различные системные неисправности. Лю и др. [26] предложили интеллектуальный метод слияния данных с несколькими датчиками, основанный на алгоритме муравьиных колоний, для обнаружения неисправностей коробки передач, направленный на ненадежность и нестабильность результатов обнаружения неисправностей сигналов вибрации одного датчика.Чтобы избежать недостатка объединения одного источника информации с методом принятия решения, в [27] предлагается метод диагностики неисправностей, объединяющий различные типы источников данных датчиков и решения нескольких классификаторов. Banerjee et al. [28] предложили и исследовали гибридный метод классификации сигналов неисправности, основанный на слиянии данных датчиков, с использованием машины опорных векторов и методов краткосрочного преобразования Фурье. Этот метод оценивает состояние целевого узла, комбинируя информацию об окружающих узлах.Этот метод успешно применялся при индивидуальном формировании [29], мониторинге устойчивости [30] и согласовании выходных данных [31,32]. Можно сделать вывод, что распределенный мониторинг имеет лучшую надежность и стабильность по сравнению с мониторингом одного датчика в архитектуре слияния сенсорной информации. Учет информации нескольких датчиков системы мониторинга цели может повысить точность оценки состояния больше, чем учет информации одного датчика.

Хотя метод, основанный на модели, применялся при диагностике неисправностей высокоскоростного поезда, все еще остаются некоторые проблемы.Во-первых, для области, контролируемой несколькими датчиками, оценка не полностью учитывает влияние соседних узлов, которые в дальнейшем будут влиять на последующую оценку состояния и диагностику неисправностей. Во-вторых, статистические характеристики и шум в измерениях, проводимых в высокоскоростных поездах, обычно неизвестны. Влияние начального состояния и шума будет постоянно усиливаться в процессе рекурсивной оценки, что может снизить точность диагностики неисправностей. Наконец, нельзя избежать снижения производительности системы.Если игнорировать деградацию, это увеличит частоту ложных срабатываний диагностики неисправностей и снизит точность диагностики. Стремясь решить вышеупомянутые проблемы, в этой статье предлагается распределенный фильтр оценки состояния, который объединен с характеристиками ухудшения состояния системы для диагностики неисправностей. Этот метод отличается от прогноза неисправностей, цель которого состоит в том, чтобы проанализировать возможные неисправности в будущем с помощью функции состояния неисправности [33], а затем предоставить руководство для будущего управления работоспособностью системы.Целью данной статьи является диагностика существующих неисправностей деградированной системы. С точки зрения методов, метод прогнозирования неисправностей на основе сигналов [34] также имеет проблему ограничения количества и типа данных. Метод прогнозирования разломов на основе моделей [35] в основном предсказывает время образования разломов в будущем, анализируя тенденцию развития разлома. Предлагаемый в данной статье метод заключается в диагностике существующих неисправностей по тренду развития состояния. Они похожи, но все же разные.

Нововведения и вклад этой статьи заключаются в следующем.

  • (1)

    Всесторонне рассмотрите положение точки измерения и метод сбора информации композитного датчика. Структура распределенной топологии устанавливается на примере подшипника буксы реальной системы ходовой части. На основе этой структуры предлагается билинейный распределенный фильтр, а параметры усиления фильтра рассчитаны таким образом, чтобы минимизировать среднеквадратичную ошибку.

  • (2)

    Несмещенные условия ограничения используются для уменьшения влияния исходной неизвестной информации узлов на оценку состояния. Построение разницы для решения проблемы цветного шума в реальных измерениях повышает точность оценки.

  • (3)

    Нелинейная модель деградации винеровского процесса с учетом характеристик изменения температуры построена для описания явления ухудшения состояния во время работы поезда.Решение нелинейных параметров процесса деградации дается путем оценки максимального правдоподобия и комбинируется с распределенными фильтрами для повышения точности диагностики неисправностей.

Наконец, чтобы продемонстрировать эффективность предложенного метода, в данной статье проводятся эксперименты по моделированию с открытым набором данных подшипников вращающегося оборудования. Приведенные результаты диагностики неисправностей совпадают с фактическими результатами экспериментов. Предложенный метод был применен к данным оперативного мониторинга системы ходовых частей скоростного поезда определенного типа, и полученные результаты диагностики соответствовали реальной ситуации.

Этот документ устроен следующим образом. Вторая часть описывает проблему и знакомит с подготовительной работой. В третьей части предлагается метод, основанный на винеровском процессе и мультисенсорной фильтрации. В четвертой части используются два тематических исследования для тестирования и анализа вышеуказанного метода. Заключительная часть завершает статью.

2. Предварительные сведения и постановка задач

Система ходовой части представляет собой сложный механизм, и информация о ее состоянии является важным показателем безопасности движения, как показано на a, b.В настоящее время система диагностики неисправностей поезда в основном состоит из главного двигателя поезда, удлинителя транспортного средства, предварительной обработки и составных датчиков. Зона контроля работы высокоскоростного поезда состоит из трех-четырех датчиков. Каждый датчик интегрирован с двумя или более сенсорными блоками для определения различных физических величин и сбора различных типов данных, таких как температура и вибрация. Поэтому одиночный датчик также называют составным сенсорным компонентом. Однако сбор информации при диагностике неисправностей на основе информации одного датчика не является исчерпывающим и точным.Для подшипников высокоскоростных поездов с зубчатой ​​передачей информация о состоянии оборудования от одного датчика часто является неполной, что не может обеспечить точную и подробную базу данных для последующей диагностики неисправностей. Поэтому метод диагностики неисправностей, основанный на информации от одного датчика, широко используемый в поездах, ограничен в точности диагностики и полноте информации. Чтобы решить эту проблему, в данной статье система ходовых частей высокоскоростного поезда преобразуется в многосенсорную систему.Система контроля и управления поездом обрабатывает информацию об узлах и в полной мере использует преимущества совместной работы с несколькими узлами, так что каждый узел в системе с несколькими датчиками может генерировать согласованную интерпретацию и описание цели мониторинга. Надежность информации датчиков повышается для достижения цели совместного мониторинга и повышения точности оценки состояния.

( а ) Стенд для испытаний высокоскоростных поездов; ( b ) система ходовой части высокоскоростного поезда.

Одиннадцать композитных датчиков устанавливаются в опорной зоне контрольного подшипника, и направление установки должно соответствовать направлению сигнала удара. Конкретное положение показано ниже, A1 – A4: точки измерения подшипника буксы; B1 – B3: точки измерения подшипников тягового двигателя; C1 – C4: Точки измерения для подшипников коробки передач. Взяв в качестве примера подшипник буксы и его составной датчик в вышеупомянутой системе, создается сетевая система датчиков, как показано на.Ориентированный граф топологии представлен как G = (V, E, D), где множество вершин представлено как V = {1,2,3,4}, множество ребер представлено как ε⊆ν × ν.

Распределение точек замера системы ходовых частей и топологическая структура узлов подшипников буксы.

В этой статье рассматривается влияние ослабления усиления датчика, цветного шума измерения и шума снижения точности. Модель целевой системы выглядит следующим образом.

x (k + 1) = A (k) x (k) + B (k) u (k) + w (k) yi (k) = λiCi (k) x (k) + Di (k) u (k) + vi (k) + si (k)

(1)

Чтобы лучше соответствовать изменениям в фактическом состоянии, необходимо проанализировать рабочие характеристики подшипников буксы ходовой части.Подшипники буксы ходовой части сделаны из металла, и удельная теплоемкость металла зависит от температуры. Как правило, его удельная теплоемкость увеличивается с повышением температуры. Следовательно, изменение температуры подшипника буксы больше не будет соответствовать закону линейного изменения, и в уравнении системы будет генерироваться билинейный член. Рассмотрим описание вышеупомянутой системы в виде следующей билинейной формы.

x (k + 1) = A (k) x (k) + B (k) u (k) + N (k) u (k) x (k) + w (k) yi (k) = λiCi (k) x (k) + Di (k) u (k) + vi (k) + si (k)

(2)

где k — дискретный временной индекс, u (k) — управляющий входной сигнал, w (k) — шум процесса, а среднее значение равно 0, ковариация — Q.v (k) представляет шум измерения датчика i . s (k) — прецизионный шум датчика i , среднее значение равно 0, а ковариация — 0. λ — уменьшение усиления датчика i . A (k), B (k), C (k) и D (k) — известные матрицы коэффициентов, а N (k) u (k) x (k) — билинейный член.

Кроме того, как ключевой механический вращающийся элемент системы ходовой части, характеристики подшипника играют важную роль в безопасном движении поезда.Вообще говоря, механическое оборудование должно пройти ряд регулярных стадий деградации от нормальной работы до полного отказа. Следовательно, учет процесса деградации в модели системы может более точно описать процесс изменения реальной системы и повысить точность оценки состояния. В данной статье рассматривается моделирование деградации состояния системы на основе винеровского процесса. Более распространенная модель нелинейной деградации выглядит следующим образом.

X (t) = X (0) + ∫0tμ (u; θ) du + σB (t)

(3)

где μ (u; θ) — нелинейная функция, используемая для характеристики нелинейных характеристик деградации системы.θ — вектор неизвестных параметров, содержащихся в функции. σB (t) — термин диффузии, используемый для описания неопределенности процесса деградации. Когда температура поверхности пары трения повышается до определенной степени на короткое время, на поверхности детали подшипника образуются вторичный закалочный слой и высокотемпературный закалочный слой. Этот обожженный слой вызовет очевидные изменения в структуре и характеристиках поверхности опорной части, влияя на характеристики пары трения.В данной статье рассматривается улучшение вышеупомянутой модели деградации винеровского процесса для достижения моделирования деградации состояния.

3. Основные результаты и обсуждение

Метод диагностики неисправностей, предложенный в этой статье, в основном разделен на следующие три этапа: Во-первых, разработка распределенной фильтрации многосенсорных систем. Во-вторых, модель деградации состояния системы на основе винеровского процесса. В-третьих, методы диагностики неисправностей системы ходовой части, показанные на.

Основы методики диагностики неисправностей системы ходовых частей высокоскоростного поезда.

3.1. Многосенсорный фильтр

Измерительный шум во время фактической работы сенсора представляет собой цветной шум, измерительный шум в дифференциальной форме строится следующим образом.

vi (k) = ψi (k − 1) vi (k − 1) + ζi (k − 1)

(4)

где ζ представляет собой гауссовский белый шум. Для обработки v создается вспомогательный сигнал z , аналогичный приведенному выше.

zi (k) = yi (k) −ψi (k − 1) vi (k − 1) = λiCi (k) x (k) + Di (k) u (k) + vi (k) + si ( k) −ψi (k − 1) vi (k − 1) = λiCi (k) x (k) + Di (k) u (k) + ζi (k − 1) + si (k)

(5).

Полученный таким образом вспомогательный сигнал z больше не будет содержать членов цветного шума, что более удобно для обработки.i (k + 1) представляет значение оцененного состояния датчика i , Ni — это набор, состоящий из узла i и его соседей, а H (k) — коэффициент усиления фильтра мульти-датчика. (k)] = E [x ( л)].i (k + 1) −xi (k + 1)]

(10)

Параметр усиления H фильтра выражается как:

HB = argminHE {eT (k + 1) · e (k +1)} = argminHE {trace [e (k + 1) · eT (k + 1)]} = argminHE {trace [(∑j∈NiH (k) ζj (k − 1) + H (k) Sj ( k) −wj (k)) · (⋯) T]} = argminHtrace {∑j∈Ni [H (k) Rj (k − 1) HT (k) + H (k) Oj (k) HT (k) −Qj (k)]}

(11)

Используя несмещенное ограничение в качестве условия минимизации приведенной выше формулы, строится функция Лагранжа.

Js (H, λ) = [∑j∈NiH (k) Rj (k − 1) HT (k) + H (k) Oj (k) HT (k) −Qi (k)] + λ [Li (k) −Bi (k) + ∑j∈NiH (k) Dj (k)]

(12)

Тогда H можно выразить как:

H (k) = ∑j∈Ni− 12λ [Rj (k − 1) + Oj (k)] — 1 · Dj (k) ∑j∈NiH (k) Dj (k) = Bi (k) −Li (k)

(13)

In Таким образом, аналитическое решение параметра усиления H распределенного фильтра окончательно получается как:

H (k) = [Bi (k) −Li (k)] ∑j∈Ni {[Rj (k − 1 ) + Oj (k)] — 1Dj (k)} — 1Dj − 1 (k) [Rj (k − 1) + Oj (k)] — 1Dj (k)

(14)

Замечание 1.

В этой статье шум измерения системы рассматривается только как цветной шум, а не как цветной шум процесса. Причина в том, что процесс деградации состояния является основной причиной, напрямую влияющей на изменение системы. Характеристики технологического шума мало влияют на систему. Если технологический шум обрабатывать в той же форме, это увеличит вычислительную сложность.

3.2. Оценка параметров деградации состояния

Принимая во внимание влияние случайных ударов и факторов окружающей среды (температуры), в этой статье строится нелинейный процесс деградации на основе модели деградации Винера и предлагается решение для оценки параметров.

Постройте нелинейную модель деградации состояния.

X (t) = X (0) + ∫0tμ (u; θ) du + ∑i = 1NJi + u (t) xstate (t) + σB (t)

(15)

где X (t) — процесс деградации, вызванный стандартным дрейфовым броуновским движением B (t), μ (u; θ) — нелинейная функция, J — амплитуда случайных толчков, N — случайная шок, а u (t) x (t) — фактор окружающей среды на ухудшенные параметры состояния системы. Можно видеть, что когда μ (u; θ) = μ, процесс деградации становится линейной моделью деградации.Чтобы подробно описать вышеупомянутые модели, в данной статье дается метод оценки параметров для класса нелинейных моделей.

μ (t; θ) = abtb − 1, X (t) = X (0) + atb + ∑i = 1NJi + u (t) xstate (t) + σB (t)

(16)

неизвестные параметры дрейфа и диффузии в процессе деградации оцениваются, предполагая, что текущее время равно tk, а исторические данные обнаружения деградации оборудования равны x1, x2, ⋯, xk, где x получают путем выборки процесса деградации при равные интервалы.X˜1: k представляет процесс возрастающей деградации.

Теорема 1.

Среднее значение приращения X˜1: k вышеуказанного процесса деградации составляет:

aE [t1b − t0bt2b − t1b ⋯ ti + 1b − tib] T − E [u1xstate1 − u0xstate0u2xstate2 − u1xstate1 ⋯ ui + 1xstatei + 1 − ui + 1xstatei + 1] T

9 (172) Дисперсия равна σB2 · Q и подчиняется нормальному распределению.

Доказательство теоремы 1.

Прирост тектонической деградации:

X (i + 1) = x (i + 1) −x (i) = a [t (i + 1)] b + u [t (i + 1)] xstate [t (i + 1)] + σBB [t (i + 1)] — at (i) b − u [t (i)] xstate [t (i)] — σBB [t (i)] = a [t (i + 1) b− t (i) b] + Δ + σB {B [t (i + 1)] — B [t (i)]}

(18)

где Δ может представлять влияние окружающей среды (температуры) на ухудшение состояния, и может быть получено среднее значение приведенного выше уравнения:

E [X (i + 1)] = aE [t (i + 1) b − t (i) b] −E [Δ]

(19)

Ковариация может быть выражена как:

var [X (i + 1) · X (j + 1)] = var {x [t (i + 1)] — x [t (i)]} · {x [t (j + 1)] −x [t (j)]} = E {x [t (i + 1)] — x [t (i)]} {x [t (j + 1)] — x [t (j)]} — E {x [t (i + 1)] — x [t (i)]} · E {x [t (j + 1)] — x [t (j)]} + σB (·) = E {a2 {[t (i + 1)] b − t (i) b} [t (j + 1) b − t (j) b]} + E {a [t (i + 1) b − t (i) б] · Δ (j)} + E {Δ (i) · a [t (j + 1) b − t (j) b]} + E [Δ (i) Δ (j)] — E {a2 [ t (i + 1) b − t (i) b] [t (j + 1) b − t (j) b]} — aE [t (i + 1) b − t (i) b] Δ (i ) −Δ (j) · aE [t (j + 1) b − t (j) b] + σB (·) = E {σB {B [t (i + 1)] — B [t (i)] } {a [t (j + 1) b − t (j) b] + Δ (j)}} + E {σB {B [t (j + 1)] — B [t (j)]} {a [t (i + 1) b − t (i) b] + Δ (i)}} + E {σB2 {B [t (i + 1)] — B [t (i)]} · {B [t (j + 1)] — B [t (j)]}} = σB2E {{B [t (i + 1)] — B [t (i)]} · {B [t (j + 1)] — B [t (j)]}}

(20)

где σB (·) представляет член, связанный с σB. i (k − 1)] + w (k − 1) −∑j∈NiH (k − 1) [ζj (k − 2 ) + sj (k − 1)]} + vi (k) + si (k)

(26)

Теорема 2.i (k) −Di (k) u (k) −si (k)

(28)

Доказательство теоремы 2.

P˜ (k) = E [Ti (k) · TiT (k)] = [λiCi (k)] · E + (k − 1) {Q (k − 1) −j∈NiH (k − 1) [R (k − 2) + O (k − 1)] HT (k− 1)} · {[λiCi (k)] · E + (k − 1)} T + E [vi (k) · viT (k)] + O (k)

(30)

Порог диагностики неисправности равен полученное неравенством Чебышева:

Pr (μ (X) −ασ (X) ≤X≤μ (X) + ασ (X)) ≥1−1α2

(31)

4. Практическая проверка и обсуждение

4.1. Оценка состояния

Во-первых, в этой статье представлена ​​кривая оценки состояния четырех узлов в системах мониторинга, как показано на.

Распределенная оценка состояния.

a, b, соответственно, показывает значение ошибки оценки состояния и ковариацию ошибки оценки состояния одного узла. Видно, что ошибка оценки состояния находится в пределах ± 0,5, в то время как ковариация ошибки оценки состояния сходится к меньшему значению, что свидетельствует об эффективности фильтра.

( a ) Расчетная ошибка узла; ( b ) оценочная ковариация ошибки узла.

4.2. Cincinnati Dataset

Сначала для экспериментов по моделированию использовался тест 1 в Цинциннати 2003 года, несущий данные 2 канала 4.Время выборки для этого набора данных — с 12:06:24 22 октября 2003 г. до 23:39:56 25 ноября 2003 г. Устройство испытательного стенда содержит четыре подшипника, а двигатель переменного тока соединен с валом посредством ленты трения. Скорость поддерживалась на уровне 2000 об / мин. На вал и подшипники была приложена радиальная нагрузка в 6000 фунтов. Каждый набор данных состоит из одного файла длительностью 1 секунда. Частота дискретизации составляет 20 кГц, и одновременно сохраняется 20 480 точек.

Степень повреждения подшипника в эксперименте зависит от времени работы устройства, и соответствующий формат данных также изменится.Вообще говоря, по амплитуде данных ясно видно, отказала ли система мониторинга. Поэтому, чтобы лучше проиллюстрировать надежность алгоритма, в этой статье выбираются некоторые данные из вышеуказанного набора данных, включая исправные точки данных, точки данных ранних сбоев и точки данных серьезных сбоев. В этой статье первоначальное состояние износа подшипника определяется как ранний отказ, но он не влияет на непрерывную работу всей системы. Серьезная неисправность может относиться к состоянию, близкому к выходу из строя подшипника в период до окончания эксперимента.На этом этапе серьезная неисправность повлияла на работу системы и даже вызвала некоторое повреждение самого подшипника. Следовательно, он имеет большее практическое значение для диагностики серьезной неисправности, а диагностика ранней неисправности имеет определенное руководящее значение для прогнозирования и поддержания будущего. Чтобы лучше продемонстрировать эффективность предлагаемого метода, из вышеперечисленных были выбраны данные с небольшими разностями амплитуд. три типа данных для проверки, как показано в.

Значения данных о вибрации подшипников Цинциннати.

Среди них время 0–200 является точкой данных без неисправности; время 200–400 — ранняя точка данных о неисправности; 400–600 — это точка данных о серьезном сбое. После прохождения фильтра с ухудшением состояния получается вектор нововведения, как показано на a. Взяв подгоночный параметр α = 7 в неравенстве Чебышева, получим пороговое значение ± 0,53. Для удобства просмотра дана решающая функция, как показано на b. Порог превышения установлен на 1, а порог непревышения установлен на 0.Видно, что разлом произошел в 200–400 моментов, но поскольку разлом возник рано, их количество относительно невелико, а разлом является серьезным разломом в 400-600 моментов, а количество разломов относительно велико.

( a ) Инновационный вектор данных о вибрации в Цинциннати; ( b ) функция определения неисправности данных о вибрации подшипника Cincinnati.

4.3. Набор данных о температуре высокоскоростного поезда

В этом разделе используется реальная система ходовой части для доказательства эффективности предложенного алгоритма.Выбор данных отказавшего поезда и данных исправного поезда. Данные получены из значения температуры датчика температуры в правом положении 2-й оси одноходовой части поезда, дюйм.

Температурные характеристики системы ходовой части.

Время 0–300 — это исправная точка данных, а время 300–600 — ошибочная точка данных. После прохождения через фильтр с ухудшением состояния получается вектор нововведения, как показано на a. Взяв подгоночный параметр неравенства Чебышева α = 7, получим порог ± 0.56. Аналогичным образом, для удобства просмотра дана функция принятия решения, показанная в b, и можно увидеть, что имеется неисправность во времени 300–600, что согласуется с информацией об ошибке, предоставленной фактическим высокоскоростным поездом.

( a ) Инновационный вектор температурных данных; ( b ) функция определения неисправности данных температуры.

4.4. Сравнение производительности

В этой статье предложенный алгоритм сравнивается с алгоритмами, обычно используемыми при диагностике неисправностей.Для диагностики неисправностей выбираются частичные данные общедоступного набора данных Цинциннати. Точность диагностики показана в следующей таблице (см.). Среди них FNR — это количество ложных отрицательных результатов, а FPR — это количество ложных срабатываний.

Таблица 1

.28%
Методы FNR FPR
Распределенный фильтр с деградацией состояния 0,26% 0,52%
Фильтр Kalman 6,03%
Расширенный фильтр Калмана 2,04% 5,46%

5. Выводы

Стабильная работа высокоскоростных поездов тесно связана с системой ходовой части. В данной статье предлагается метод, основанный на процессе деградации состояния Винера и мультисенсорной фильтрации для диагностики системы ходовой части. Во-первых, на основе анализа работающей системы высокоскоростного поезда строится распределенная топологическая схема подшипников осевой коробки системы ходовой части и ее составных датчиков.Во-вторых, предлагается распределенный фильтр для задачи неизвестной исходной информации узлов датчиков по несмещенному условию ограничения, учитывающий проблемы ослабления усиления и снижения точности, а параметры усиления фильтра рассчитываются в предположении минимального среднего квадрата ошибки. ошибка. Затем, чтобы повысить точность диагностики неисправностей системы ходовой части, в этой статье была построена нелинейная модель деградации винеровского процесса с учетом фактора температуры и оцененных параметров посредством оценки максимального правдоподобия.Наконец, порог диагностики неисправностей получается с помощью неравенства Чебышева. Эффективность метода подтверждена открытым набором данных вращающихся механических подшипников и температурными данными для определенного типа системы ходовых частей высокоскоростного рельса. Результат ожидаемый.

Метод, предложенный в этой статье, является более значимым для практического проектирования и повышает точность диагностики неисправностей для систем, которые не могут получить доступные данные. Этот метод направлен на раннюю диагностику неисправностей.Для других типов динамических систем пороги могут быть установлены на основе их фактических характеристик и определения соответствующего уровня неисправности. Дальнейшие исследования начинаются с корреляции между состояниями, разделения состояний фильтров и рассмотрения проблемы нелинейной деградации немарковских процессов, что приближает модель к реальному процессу.

Вклад авторов

C.C. предложил идею и спланировал эксперимент. W.W. провел эксперименты и завершил рукопись.H.L. предоставляет руководство по анализу данных и написанию тезисов. Б.З. давал рекомендации и руководил работой. G.C. и W.T. предоставляют экспериментальную среду / оборудование. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Эта работа была частично поддержана Национальным фондом естественных наук Китая в рамках грантов 617, 61973046 и 61803044, Комиссия по развитию и реформам провинции Цзилинь в рамках гранта 2019C040-3.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Цзи Х., Хе X., Шан Дж., Чжоу Д. Обнаружение начальных неисправностей с помощью методов сглаживания в статистическом мониторинге процесса. Control Eng. Практик. 2017; 62: 11–21. DOI: 10.1016 / j.conengprac.2017.03.001. [CrossRef] [Google Scholar] 2. Чен Х., Цзян Б., Лу Н. Многорежимный метод обнаружения и диагностики зарождающихся неисправностей датчиков для электрических тяговых систем. Int. J. Control. 2018; 16: 1783–1793. DOI: 10.1007 / s12555-017-0533-0. [CrossRef] [Google Scholar] 3. Су Л., Ма Л., Цинь Н., Хуан Д., Эндрю Х.К. Диагностика неисправностей высокоскоростной рельсовой тележки по остаточной выжимной сети. IEEE Trans. Инд. Информ. 2019; 15: 3856–3863. DOI: 10.1109 / TII.2019.23. [CrossRef] [Google Scholar] 4. Хуанг Дж., Ян X. Анализ главных компонентов на основе качества в сочетании с ядерными методами наименьших квадратов для многомерного статистического мониторинга процессов. IEEE Trans. Control Syst. Technol. 2019; 27: 2688–2695. DOI: 10.1109 / TCST.2018.2865130. [CrossRef] [Google Scholar] 5. Chen H., Jiang B., Ding S.X., Lu N., Chen W. Вероятностно-релевантная методология обнаружения и диагностики зарождающихся неисправностей с приложениями к системам электропривода.IEEE Trans. Control Syst. Technol. 2018; 27: 2766–2773. DOI: 10.1109 / TCST.2018.2866976. [CrossRef] [Google Scholar] 6. Ван З., Цзя Л., Коу Л., Цинь Ю. Спектральная энтропия эксцесса и взвешенный SaE-ELM для диагностики неисправностей тележки в различных условиях. Датчики. 2018; 18: 1705. DOI: 10,3390 / s18061705. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 7. Фу Дж., Чу Дж., Го П., Чен З. Мониторинг состояния подшипников редуктора ветряных турбин на основе модели глубокого обучения. Доступ IEEE. 2019; 7: 57078–57097.DOI: 10.1109 / ACCESS.2019.2
1. [CrossRef] [Google Scholar] 8. Чжоу Р., Бао В., Ли Н., Хуанг X., Ю. Д. Диагностика неисправностей механического оборудования на основе избыточного преобразования вейвлет-пакетов второго поколения. Цифра. Сигнальный процесс. 2010. 20: 276–288. DOI: 10.1016 / j.dsp.2009.04.005. [CrossRef] [Google Scholar] 9. Цай Б., Лю Ю., Фан К., Чжан Ю., Лю З., Ю. С., Цзи Р. Диагностика неисправностей геотермального теплового насоса на основе объединения данных из нескольких источников с использованием байесовской сети. Прил. Энергия. 2014; 114: 1–9. DOI: 10.1016 / j.apenergy.2013.09.043. [CrossRef] [Google Scholar] 10. Irhoumah M., Pusca R., Lefevre E., Lefevre E., Mercier D., Romary R., Cristian D. Слияние информации с функциями доверия для обнаружения межвитковых коротких замыканий в электрических машинах с использованием внешних датчиков потока. IEEE Trans. Ind. Electron. 2017; 65: 2642–2652. DOI: 10.1109 / TIE.2017.2745408. [CrossRef] [Google Scholar] 11. Гао З., Чекати К., Дин С. Обзор диагностики неисправностей и отказоустойчивых методов — часть I: диагностика неисправностей с помощью подходов, основанных на моделях и сигналах.IEEE Trans. Ind. Electron. 2015; 62: 3757–3767. DOI: 10.1109 / TIE.2015.2417501. [CrossRef] [Google Scholar] 12. Ян К., Цзи З., Шен В. Методы онлайн-обнаружения неисправностей для чиллеров, сочетающие расширенный фильтр Калмана и рекурсивную одноклассную SVM. Нейрокомпьютеры. 2016; 228: 205–212. DOI: 10.1016 / j.neucom.2016.09.076. [CrossRef] [Google Scholar] 13. Нин Ю., Ван Дж., Хан Х., Тан X., Лю Т. Оптимальная радиальная базисная функция, улучшенная адаптивным робастным фильтром Калмана для интегрированных систем GNSS / INS в сложных городских районах.Датчики. 2018; 18: 3091. DOI: 10,3390 / s18093091. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 14. Ван Ю., Сунь Ю., Чанг К.Л., Ху Ю. Обнаружение неисправностей на основе моделей и отказоустойчивое управление системой впрыска мочевины SCR. IEEE Trans. Veh. Technol. 2016; 65: 4645–4654. DOI: 10.1109 / TVT.2015.2463115. [CrossRef] [Google Scholar] 15. Акаи Н., Моралес Ю., Мурас Х. Одновременная оценка позы и надежности с использованием сверточной нейронной сети и фильтра частиц Рао – Блэквелла. Adv. Робот. 2018; 32: 930–944.DOI: 10.1080 / 01691864.2018.1509726. [CrossRef] [Google Scholar] 16. Ву Ю., Цзян Б., Лу Н. Системный подход к дескрипторам для оценки зарождающихся неисправностей применительно к тяговым устройствам высокоскоростных железных дорог. IEEE Trans. Syst. Человек Киберн. Syst. 2017; 49: 2108–2118. DOI: 10.1109 / TSMC.2017.2757264. [CrossRef] [Google Scholar] 17. Инь Дж., Се Й., Чен З., Пэн Т. Диагностика слабых неисправностей с использованием адаптивного метода стохастического резонанса на основе алгоритма перехода состояний. J. Cent. South Univ. 2019; 26: 1910–1920. DOI: 10.1007 / s11771-019-4123-6. [CrossRef] [Google Scholar] 18. Cadini F., Sbarufatti C., Corbetta M., Giglio M. Алгоритм выбора модели на основе фильтра частиц для идентификации усталостных повреждений на авиационных конструкциях. Struct. Контроль за состоянием здоровья. 2017; 24: 2002. DOI: 10.1002 / stc.2002. [CrossRef] [Google Scholar] 19. Джайн Т., Яме Дж. Прогностическое управление отказоустойчивой экономической моделью для ветряных турбин. IEEE Trans. Поддерживать. Энергия. 2018; 10: 1696–1704. DOI: 10.1109 / TSTE.2018.2869480. [CrossRef] [Google Scholar] 20.Бай В., Донг Х., Яо Х., Нин Б. Надежное обнаружение неисправностей в динамике высокоскоростного поезда с множественными источниками конечных частотных помех. ISA Trans. 2018; 75: 76–87. DOI: 10.1016 / j.isatra.2018.01.032. [PubMed] [CrossRef] [Google Scholar] 21. Хэ Дж., Ли Ю., Цзян Ю., Ли Ю., Ли А. Диагностика неисправностей гребного винта на основе рангового фильтра частиц для автономных подводных аппаратов. Brodogr. Brodogr. Теория Прак. 2018; 69: 147–164. DOI: 10.21278 / brod69210. [CrossRef] [Google Scholar] 22. Чжоу В., Ли X., Йи Дж., Хе Х. Новый метод UKF-RBF, основанный на адаптивном коэффициенте шума, для диагностики неисправностей в насосной установке. IEEE Trans. Инд. Информ. 2018; 15: 1415–1424. DOI: 10.1109 / TII.2018.2839062. [CrossRef] [Google Scholar] 23. Лю С., Цзян Б., Мао З., Дин С. Отказоустойчивое управление на основе адаптивного обратного шага для высокоскоростных поездов с неисправностями исполнительных механизмов. Int. J. Control Autom. Syst. 2019; 17: 1408–1420. DOI: 10.1007 / s12555-018-0703-8. [CrossRef] [Google Scholar] 24. Ган X., Гао В., Дай З., Лю В. Исследование программной диагностики неисправностей WNN для аналоговой схемы на основе адаптивного алгоритма UKF.Прил. Soft Comput. 2016; 50: 252–259. [Google Scholar] 25. Цзин Л., Ван Т., Чжао М., Ван П. Адаптивный метод слияния данных с несколькими датчиками, основанный на глубоких сверточных нейронных сетях для диагностики неисправностей планетарного редуктора. Датчики. 2017; 17: 414. DOI: 10.3390 / s17020414. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 26. Лю З., Го В., Тан З., Чен Ю. Объединение данных с нескольких датчиков с использованием векторной машины релевантности на основе колонии муравьев для обнаружения неисправностей коробки передач. Датчики. 2015; 15: 21857–21875. DOI: 10.3390 / с150921857. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 27. Ню Г., Хан Т., Ян Б., Тан А. Слияние нескольких агентов для диагностики неисправностей двигателя. Мех. Syst. Сигнальный процесс. 2007; 21: 1285–1299. DOI: 10.1016 / j.ymssp.2006.03.003. [CrossRef] [Google Scholar] 28. Банерджи Т., Дас С. Объединение данных с нескольких датчиков с использованием машины опорных векторов для обнаружения неисправности двигателя. Инф. Sci. 2012; 217: 96–107. DOI: 10.1016 / j.ins.2012.06.016. [CrossRef] [Google Scholar] 29. Вьегас Д., Батиста П., Оливейра П., Сильвестр К., Chen C.L.P. Распределенная оценка состояния для линейных многоагентных систем с изменяющейся во времени топологией измерения. Automatica. 2015; 54: 72–79. DOI: 10.1016 / j.automatica.2015.01.036. [CrossRef] [Google Scholar] 30. Чен З., Цао Ю., Дин С., Чжан К., Кенингс Т., Пэн Т., Ян К., Гуй В. Метод обнаружения неисправностей на основе распределенного канонического корреляционного анализа для мониторинга процессов в масштабах предприятия. IEEE Trans. Инд. Информ. 2019; 15: 2710–2720. DOI: 10.1109 / TII.2019.2893125. [CrossRef] [Google Scholar] 31. Цай Х., Льюис Ф.Л., Ху Г., Хуанг Дж. Подход адаптивного распределенного наблюдателя к кооперативному регулированию выхода линейных многоагентных систем. Automatica. 2017; 75: 299–305. DOI: 10.1016 / j.automatica.2016.09.038. [CrossRef] [Google Scholar] 32. Мохаммад П., Эхсан Х., Амир К., Барис Ф., Бахтияр Л., Ших-кен К., Шреяс С. Совместная диагностика и исправление ошибок скорости транспортного средства. IEEE Trans. Intell. Трансп. Syst. 2018; 20: 783–789. [Google Scholar] 33. Wu C., Zhu C., Ge Y. Новая технология диагностики и прогнозирования неисправностей для мощных литий-ионных аккумуляторов.IEEE Trans. Plasma Sci. 2017; 45: 1533–1538. DOI: 10.1109 / TPS.2017.2706088. [CrossRef] [Google Scholar] 34. Ван X., МакАртур С., Страчан С., Кирквуд Дж., Пейсли Б. Аналитический подход к автоматической диагностике неисправностей и прогнозированию для автоматизации распределения. IEEE Trans. Умная сеть электроснабжения. 2018; 9: 6265–6273. DOI: 10.1109 / TSG.2017.2707107. [CrossRef] [Google Scholar] 35. Ян В., Чжан Б., Доу В., Лю Д., Пэн Ю. Недорогой подход с адаптивной фильтрацией частиц по Лебегу для диагностики и прогноза литий-ионных аккумуляторов в реальном времени.IEEE Trans. Автомат. Sci. Англ. 2017; 14: 1601–1611. DOI: 10.1109 / TASE.2017.2666202. [CrossRef] [Google Scholar]

Необходимая зимняя беговая одежда

Холодная погода не означает, что вы должны всю зиму прогонять себя на беговой дорожке. Благодаря передовым технологиям в зимней одежде для бега бегунам больше не нужно тащиться по зимним бегам на открытом воздухе в тяжелой и неудобной одежде.

Если вы зашнуровываете и бегаете на открытом воздухе при более низких температурах, практическое правило бегуна заключается в том, чтобы добавить от 10 до 20 F к температуре наружного воздуха (или к температуре ветра / холода, если она ниже), чтобы узнать температуру. вы должны одеваться в этот день.

Нижний предел этого диапазона используется для более медленных или более коротких циклов, в то время как более длительные или более интенсивные циклы должны находиться на верхнем конце диапазона температур. Как только вы выясните, какая у вас «текущая температура наружного воздуха», вы можете приступить к сборке комплекта для бега на открытом воздухе.

Поэкспериментируйте со своей ходовой частью, чтобы найти то, что вам подходит. Сделайте циклические пробежки, чтобы вы могли добавлять или убирать слои или предметы одежды по мере необходимости. Цель состоит в том, чтобы немного замерзнуть, когда вы разминаетесь, и вспотеть на финише.

Держите голову, шею и руки в тепле

В холодные дни важно прикрывать голову, уши, шею и конечности и надевать влагоотводящую шляпу, чтобы не выделять пот с кожи головы. Вы также хотите защитить свою кожу от холода и ветра, а также предотвратить обморожения и потрескавшуюся кожу и губы.

Шапка или наушники

Шапка из флиса или шерсти отлично подойдет для согрева головы во время зимних пробежек. Вы можете легко заправить его в штаны, если почувствуете, что начинаете перегреваться.Шляпа с полями или козырьком также полезна для защиты от солнца и дождя, защищая ваше лицо от прямых солнечных лучей.

Наушники из флиса также могут защитить ваши уши и уберечь их от обморожений и других погодных условий.

Набедренники или бандана на шею

Шейные гетры, которые часто носят лыжники, могут быть чрезвычайно ценными в холодный ветреный день для защиты шеи и лица. Вы можете натянуть его на рот, чтобы согреть вдыхаемый воздух, что особенно полезно, когда вы впервые начинаете бег.Некоторые бегуны с той же целью надевают на рот простой платок.

Другой альтернативой является Buff, который представляет собой бесшовную трубку из микрофибры, которую можно носить разными способами, в том числе как балаклаву.

Балаклава или маска для лица

Балаклава, также известная как лыжная маска, — это головной убор, который покрывает всю голову, открывая только лицо или его часть, а иногда и только глаза. Обычно они сделаны из флиса или шерсти и необходимы только в том случае, если температура или холодный ветер ниже 10 F.

Специальные маски для лица для тренировок также могут помочь защитить вас и укрыться, оставаясь при этом воздухопроницаемыми и комфортными.

Защита кожи и губ

Холодная погода и ветер могут потрескать губы и вызвать трещины на открытой коже. Защитите губы гигиенической помадой или вазелином. Вам следует использовать солнцезащитный крем, так как зимнее солнце и блики от снега могут вызвать солнечный ожог.

Вы также можете нанести вазелин на нос и щеки (или на любое другое место на лице), чтобы предотвратить появление ветряных ожогов и растрескивания.

Перчатки или варежки

Сохраняйте руки и пальцы в тепле во время бега в холодную погоду или в ветреную погоду. Вы хотите, чтобы руки были прикрыты изолированными беговыми перчатками или рукавицами, которые отводят влагу, обеспечивают воздухопроницаемость и тепло, а также имеют функции, которые помогут вам использовать телефон с сенсорным экраном в чрезвычайных ситуациях или для отслеживания маршрута.

Если очень холодно, лучше подойдут варежки, потому что ваши пальцы будут делиться теплом тела.

Слой вверх

Ключ к созданию зимней одежды для бега, особенно верхней части тела, — это многослойность. Слои не только удерживают тепло тела, но также позволяют поту проходить через слои одежды и предотвращают перегрев. Влага переносится с первого слоя на внешние слои, где она может испаряться.

Верхняя часть тела

Вот руководство по нанесению слоя на верхнюю часть тела.

  • Базовый слой впитывания воды : Ближайший к телу слой должен быть изготовлен из синтетического впитывающего материала, такого как DryFit, Thinsulate, Thermax, CoolMax, полипропилена или шелка.Не используйте хлопок в качестве основного слоя — как только он намокнет, вы останетесь мокрыми. Когда температура выше 40 F, вы обычно можете носить только базовый слой с длинным рукавом.
  • Изоляционный слой : Ваш второй или средний слой, который необходим для очень холодной погоды (ниже 10 F), должен быть изоляционным материалом, например флисом. Он должен иметь идеальный баланс: задерживать немного воздуха, чтобы согреться, но выделять достаточно пара или тепла, чтобы избежать перегрева. Некоторые ткани, предлагаемые для вашего второго слоя, включают Akwatek, Dryline, Polartec, полиэфирный флис, микрофлис, Thermafleece и Thermax.
  • Ветрозащитный и водонепроницаемый внешний слой : Этот слой должен защищать вас от ветра и влаги, а также пропускать тепло и влагу. Хорошая идея — надеть куртку на молнии, чтобы регулировать температуру. Предлагаемые внешние слои включают ClimaFit, Gore-Tex, Microsuplex, нейлон, Supplex и Windstopper. Если он находится между 10 F и 40 F, обычно можно обойтись влагоотводящим базовым слоем и внешним слоем.

Нижняя часть тела

Вам нужно будет подумать о том, что вы носите на ногах, чтобы получать удовольствие от зимних пробежек.Ваши ноги выделяют много тепла, поэтому вам не нужно столько слоев на нижней части тела. Обычно вы можете носить только пару колготок или беговых штанов из синтетических материалов, таких как Thermion, Thinsulate, Thermax, Coolmax, полипропилена и / или шелка.

Если температура ниже 10 F (температура или холодный ветер), вы можете рассмотреть два слоя на нижней части тела: влагоотводящий слой колготок и ветрозащитный слой (например, спортивные штаны).

Подсветка

Если вы бегаете круглый год и продолжаете бегать на свежем воздухе зимой, добавьте светоотражающую или яркую одежду в свой список снаряжения.Поскольку зимой дни короче, а ночи длиннее, в более прохладные месяцы вы с большей вероятностью будете бегать в темноте.

Из-за этого необходима светоотражающая одежда. Выбирайте более светлые тона — белый, желтый, оранжевый или неоновый — или одежду со светоотражающими элементами, которая гарантирует, что вас заметят автомобилисты. Также обязательно соблюдайте меры предосторожности при беге в темноте, чтобы быть в безопасности.

Защити ноги

Вы можете держать ноги в тепле, пока они будут двигаться и сухими.Старайтесь избегать луж, слякоти и снега. Поищите кроссовки с минимальным размером сетки, так как в них вода будет просачиваться к вашим ногам.

Если вы не можете избежать бега по снегу, вы можете купить кроссовки для трейлраннинга, которые в некоторой степени водонепроницаемы и обеспечат вам немного больше сцепления на снегу. Вы также можете попробовать YakTrax Ice Grippers или другие марки ледяных шипов, которые скользят прямо через ваши кроссовки для дополнительного сцепления.

Никогда не надевайте хлопковые носки (в холодную или теплую погоду) во время бега, потому что они не отводят влагу, оставляя ноги влажными и склонными к образованию волдырей.

Вместо этого не забудьте надеть хорошие влагоотводящие носки из таких тканей, как акрил, CoolMax или шерсть (зимой). Современные смеси шерсти, такие как SmartWool, не вызывают зуда, их можно стирать в стиральной машине и сушить.

Если зимой вы носите более толстые носки, вам нужно будет посмотреть, как они подходят к вашим кроссовкам. Возможно, вам понадобится купить на полразмера больше или приобрести широкую модель.

Часто задаваемые вопросы

Работают ли маски для бега в холодную погоду?

Маски для бега в холодную погоду — или балаклава — могут быть полезны не только для защиты вашего лица, рта и губ от холода и ветра, но они также могут помочь вам легче дышать во время бега.

Низкие температуры могут затруднить дыхание на холодном воздухе, а беговая маска для бега в холодную погоду согревает воздух перед тем, как вы вдохнете его.

Где я могу купить зимнюю одежду для бега?

Зимнюю одежду для бега можно приобрести в большинстве крупных розничных торговцев уличными и спортивными товарами, включая Dick’s Sporting Goods, REI, The North Face, Lululemon, Amazon и другие. Приобретая спортивное снаряжение, убедитесь, что вы покупаете его у авторитетного продавца и бренда, и убедитесь, что вы можете вернуть предметы, если они не подходят должным образом или не работают так, как вам нужно.

Что надеть при беге на 5 км на морозе?

Если вы гоняете на морозе, наденьте одежду для бега, чтобы добиться наилучших результатов. Будь то зимняя гонка на 5 км или марафон, наденьте влагоотводящий базовый слой, изолирующий слой и водонепроницаемый верх. Не забудьте перчатки, термошапку, маску для лица и пару носков для отвода влаги, чтобы вам было удобно и безопасно пересечь финишную черту.

Что надеть при беге под холодным дождем?

Бег под холодным дождем создает свои проблемы.Не забудьте одеться для холода с несколькими слоями и надлежащим укрытием, а также добавить непромокаемую куртку, которая предотвратит попадание влаги на другие слои. Добавьте водонепроницаемую кепку с краем, чтобы дождь не попадал вам в глаза, и светоотражающие огни или цвета, чтобы водители могли видеть вас в дождь, туман или пасмурную погоду.

Слово Verywell

Бегаете ли вы при высокой или низкой температуре, всегда помните, что нужно быть готовым. Бег в холодную погоду требует соблюдения особых мер предосторожности.Вы можете наслаждаться бегом при более низких температурах, и весь ваш опыт будет комфортным и безопасным, если вы подготовитесь с умом.

Используйте программу Apple Diagnostics для проверки своего Mac

Apple Diagnostics, ранее известная как Apple Hardware Test, может проверить ваш Mac на наличие проблем с оборудованием.

Если вы считаете, что у вашего Mac может быть аппаратная проблема, вы можете использовать Apple Diagnostics, чтобы определить, какой аппаратный компонент может быть неисправен.Apple Diagnostics также предлагает решения и помогает обратиться в службу поддержки Apple за помощью.

Подготовьте свой Mac

  1. Выключите Mac.
  2. Отключите все внешние устройства, кроме клавиатуры, мыши, дисплея, подключения Ethernet (если применимо) и подключения к источнику переменного тока.
  3. Убедитесь, что ваш Mac стоит на твердой, плоской, устойчивой поверхности с хорошей вентиляцией.

Запустить программу диагностики Apple

Apple силикон

  1. Включите Mac и продолжайте нажимать и удерживать кнопку питания при запуске Mac.
  2. Отпустите, когда вы увидите окно параметров запуска, в котором есть значок шестеренки с надписью «Параметры».
  3. Нажмите Command (⌘) -D на клавиатуре.

Процессор Intel

  1. Включите Mac, затем сразу же нажмите и удерживайте клавишу D на клавиатуре при запуске Mac.
  2. Отпустите, когда вы видите индикатор выполнения или вас просят выбрать язык.

Посмотреть результаты теста

Apple Diagnostics показывает индикатор выполнения во время проверки вашего Mac:

По завершении тестирования Apple Diagnostics показывает результаты, включая один или несколько справочных кодов.Узнайте о справочных кодах Apple Diagnostics.

Чтобы повторить тест, нажмите «Запустить тест еще раз» или нажмите Command-R.

Чтобы перезагрузить Mac, нажмите «Перезагрузить» или нажмите R.

Для завершения работы щелкните «Завершение работы» или нажмите S.

.

Чтобы получить информацию о ваших услугах и вариантах поддержки, убедитесь, что ваш Mac подключен к Интернету, затем нажмите «Начать» или нажмите Command-G. Ваш Mac перезагрузится на веб-страницу с дополнительной информацией. Когда вы закончите, выберите «Перезагрузить» или «Завершить работу» в меню Apple.

Узнать больше

На Mac с процессором Intel, если вы не можете запустить Apple Diagnostics с помощью клавиши D, попробуйте следующие решения:

  • Нажмите и удерживайте Option-D при запуске, чтобы использовать программу диагностики Apple через Интернет.
  • Убедитесь, что ваш Mac не использует пароль микропрограммы.

Дата публикации:

Рынок ходовой части

стоит 22 доллара США.54 миллиарда по прогнозу

Пуна, Индия, 25 июля 2019 г. (GLOBE NEWSWIRE) — Рынок ходовой части

Мировой рынок ходовой части был изучен компанией Market Research Future (MRFR). В ходе исследования было установлено, что прогнозируемый среднегодовой темп роста мирового рынка в течение прогнозируемого периода 2017 и 2023 годов составит 12%. Ожидается, что к концу прогнозного периода рынок достигнет оценки в 22,54 миллиарда долларов США.

Конкурентная среда

Мировой рынок ходовой части включает в себя множество ключевых игроков.Сюда входят такие названия, как Suunto (Финляндия), Seiko Epson Corporation (Япония), Lumo Bodytech (США), Garmin International (США), Altra Running (США), Samsung Electronics (Южная Корея), Xiaomi (Китай), Fitbit (США). ), Sensoria Inc. (США), Adidas (Германия), Apple (США), Stryd (США), Lumo Bodytech (США) и другие.

В июне 2019 года новаторская компания по выпуску обуви для бега Brooks Running выпустила новейшую модель из линейки глицерина под названием Brooks Glycerin 17. Компания утверждает, что с новой стелькой Ortholite ей стало еще удобнее.

Получите бесплатный образец копии @ https://www.marketresearchfuture.com/sample_request/4346

Обзор рынка

Под беговыми механизмами понимаются различные аксессуары и предметы ношения, которые люди носят во время бега или во время занятий соответствующие мероприятия. Это в первую очередь спортивная одежда, такая как колготки, перчатки, обувь, умные часы, куртки и очки. Среди них такие продукты, как куртки и перчатки, обычно плотно прилегают к телу и состоят из водостойких защитных слоев.Это снижает вероятность получения травм, а также помогает улучшить циркуляцию воздуха при выполнении любой физической активности.

Растущий спрос со стороны медицинского сектора для стимулирования роста рынка

Рост рынка бегового снаряжения можно объяснить растущим применением различных носимых устройств для фитнеса в медицинской промышленности. Растущее давление работы в частном секторе чрезвычайно ускорило рост мирового рынка.

Носимое устройство Intel для младенцев под названием Mimo Baby Monitor является примером того же.Он может собирать, а также отправлять данные о температуре ребенка, времени его бодрствования и может передавать собранные данные через Интернет в подключенное облако, чтобы больница или родители могли получить доступ и проверить состояние своего ребенка.

Существует множество жизненно важных факторов, способствующих внедрению носимых устройств для фитнеса в медицинской промышленности, например, увеличение рабочей нагрузки, особенно в частном секторе, и высокое потребление фаст-фуда. Поскольку все больше и больше людей осознают преимущества фитнес-трекеров и бегового снаряжения, ожидается, что рост рынка будет расти быстрыми темпами.

Повышение осведомленности о здоровье для ускорения роста рынка

Растущие опасения и проблемы со здоровьем побудили людей обратить на это внимание и заставили их все больше заботиться о своем здоровье. Потребители с энтузиазмом применяют ряд фитнес-приемов и мер, чтобы справиться с этим. Это вызвало рост спроса на фитнес-устройства, такие как фитнес-браслеты, фитнес-приложения, помогающие следить за своим здоровьем, и беговое снаряжение. Согласно прогнозам, общая заинтересованность потребителей по всему миру подтолкнет рынок Running Gears Market к положительному направлению.

Технологические достижения на рынке ходовой части

В последние годы технологические достижения положительно повлияли на рост рынка умных носимых устройств. Интернет вещей (IoT) все чаще используется для соединения четко идентифицируемых встроенных вычислительных устройств в существующей интернет-инфраструктуре. Внедрение IoT в носимых устройствах расширило сферу рынка, поскольку оно позволяет использовать такие функции, как отслеживание и проверка активности тела.Кроме того, растущая популярность использования электронных устройств также стимулирует рост мирового рынка ходовой части.

Сегмент «Разумные лидеры рынка»

Глобальная сегментация рынка ходовой части проводится по типу рынка, продукту и типу датчика. По типу рынка он подразделяется на интернет-магазины, универмаги, специализированные магазины и другие. Сегмент онлайн-торговли в настоящее время доминирует на мировом рынке с самой высокой долей.Ожидается, что к концу прогнозного периода этот сегмент превзойдет рыночную оценку 2016 года в 5,84 млрд долларов США и будет расти впечатляющими темпами в 14% за тот же период.

Товарная сегментация разделена на обувь и одежду, носимые устройства для фитнеса, программное обеспечение и т. Д. На сегмент программного обеспечения приходится самая высокая доля на мировом рынке, и ожидается, что его среднегодовой темп роста составит 14% в течение прогнозируемого периода.

Обзор отчета @ https: // www.marketresearchfuture.com/reports/running-gears-market-4346

Сегментация рынка по типу сенсора включает гироскоп, 3-осевой датчик акселератора, датчик температуры, датчик высотомера, датчик биоимпеданса и другие. Сегмент 3-осевого датчика акселератора лидирует на мировом рынке с самой высокой долей. Ожидается, что в прогнозируемом периоде среднегодовой темп роста сегмента составит 13%.

Северная Америка — лидер на мировом рынке

Среди регионов, охваченных исследованием глобального рынка ходовой части, доминирующим был регион Северной Америки.Этот регион занимает самую высокую долю на рынке, и ожидается, что в ближайшие годы он будет расти впечатляющими темпами из-за его широкого использования среди спортсменов.

Связанные отчеты

Рынок фитнес-трекеров , по возрастной группе (фитнес-трекер для взрослых, детский фитнес-трекер), по типу продукта (мониторы активности, умные часы, умная одежда), по типу ношения (ручная одежда, чулки, головные уборы) и другие (Torsowear, Clothwear и т. д.)), по каналу продаж (онлайн-продажи, розничные продажи), по применению (отслеживание сердечного ритма, отслеживание измерения сна, отслеживание измерения глюкозы, спорт, бег, отслеживание езды на велосипеде), конечными пользователями ( Спорт, Больницы и диагностический центр, Прочее) — Прогноз 2023

https: // www.marketresearchfuture.com/reports/fitness-tracker-market-4336

Рынок фитнес-приложений Информация, по развертыванию (Android, iOS, Windows), по платформам (смартфоны, планшеты, носимые устройства), по типам (тренировки и упражнения приложения, приложение для питания)

https://www.marketresearchfuture.com/reports/fitness-app-market-1405

О будущих исследованиях рынка:

В Market Research Future (MRFR) мы включаем клиентов, чтобы разгадать сложность различных отраслей с помощью наших готовых исследовательских отчетов (CRR), полуготовых исследовательских отчетов (HCRR), исходных исследовательских отчетов (3R), непрерывных исследований (CFR), а также маркетинговых исследований и консультационных услуг.

Nurvv Run Review: умные стельки, улучшающие форму

Когда я передавал эстафету на треке средней школы Джексона в Портленде, штат Орегон, я не особо задумывался о правилах бега или правильной форме. Но бег становится сложным, когда вы начинаете накапливать мили. Когда я начал набирать вес (и вес), я понял, что хорошая форма — это ключ к безболезненной дистанции.

Следующие формы, такие как удар средней частью стопы, когда середина стопы приземляется на землю, и каденция 180 ударов в минуту помогли мне перейти от периодически болезненных пробежек до почти 6 миль в день.Лучшая форма означает повышенную эффективность, меньше боли и больше времени, чтобы сосредоточиться на любимом подкасте. Но у самообучения были свои пределы; После долгих пробежек у меня все еще были боли в бедре и пояснице.

Nurvv Run стал ответом на мои невыявленные проблемы с бегом. Это пара стелек со встроенными датчиками давления и движения, которые вы вставляете в кроссовки. За те несколько месяцев, что я бегал с ними, они помогли мне еще больше улучшить мою форму, избавившись от боли и ощущения напряженности в бедрах.

Попадание в Nurvv

Система Nurvv Run.

Фото: Nurvv

Вкладыши Nurvv Run состоят из двух частей. В каждый ботинок входят стельки с креплением, выходящим из ботинка, а также два трекера — продолговатая фурнитура, в которой размещены смарт-устройства (и аккумулятор), которые зажимаются в указанных креплениях.

Снять трекеры с зарядного устройства и прикрепить их к креплениям — это полезный опыт. Они сидят надежно, а это значит, что вы должны правильно их удерживать при снятии с зарядного устройства или креплений.

Автор: alexxlab

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *