ОЭММПУПроблемы машиностроения и надежности машин Journal of Machinery Manufacture and Reliability

  • ISSN (Print) 0235-7119
  • ISSN (Online) 3034-5804

Исследование температурных режимов подшипниковых узлов заднего моста автомобиля КАМАЗ для обеспечения их контролепригодности

Код статьи
S30345804S0235711925050122-1
DOI
10.7868/S3034580425050122
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Том/ Выпуск
Том / Номер выпуска 5
Страницы
105-113
Аннотация
Предложены диагностические критерии, применимые для реализации технологии цифровой термодиагностики подшипниковых узлов. Изучено температурное состояние подшипниковых узлов заднего моста грузового автомобиля, характерное для нормальных режимов эксплуатации. Подтверждена возможность применения автоматической температурной диагностики исследуемых подшипниковых узлов.
Ключевые слова
техническая диагностика подшипниковый узел задний мост термодиагностика надежность контролепригодность автоматическая диагностика
Дата публикации
17.06.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
24

Библиография

  1. 1. Барыкин А.Ю., Лянденбурский В.В., Тахавиев Р.Х., Самигуллин А.Д. Исследование теплового состояния ведущих мостов грузового автомобиля в дорожных условиях // Мир транспорта и технологических машин. 2020. № 2 (69). С. 3–9. https://doi.org/10.33979/2073-7432-2020-69-2-3-9
  2. 2. Долгушин А.А., Курносов А.Ф., Чернухин Р.В. Исследование теплообмена агрегатов трансмиссии и двигателя грузового автомобиля // Технический сервис машин. 2024. Т. 62. № 2. С. 65–70. https://doi.org/10.22314/2618-8287-2024-62-2-65-70
  3. 3. Девликамов Р.Р. Основные неисправности и диагностика заднего моста автомобиля КАМАЗ // Сурский вестник. 2021. № 1 (13). С. 40–46.
  4. 4. Барыкин А.Ю., Мухаметдинов М.М., Тахавиев Р.Х. Влияние условий эксплуатации на безотказность и долговечность ведущих мостов грузовых автомобилей // Автомобилестроение: проектирование, конструирование, расчет и технологии ремонта и производства: материалы IV Всероссийской научно-практической конференции, Ижевск, 24 апреля 2020 г. Ижевск: Ижевский государственный технический университет имени М.Т. Калашникова, 2020. С. 16–22.
  5. 5. Барыкин А.Ю., Тахавиев Р.Х., Горбачев С.В. Исследование нагруженности ведущих мостов грузового автомобиля КАМАЗ // Интеллект. Инновации. Инвестиции. 2020. № 3. С. 111–118. https://doi.org/10.25198/2077-7175-2020-3-111
  6. 6. Зиганшин Р.А., Захаров Н.С., Зиганшина А.В., Зиганшин А.А. Влияние свойств трансмиссионных масел на надежность специальной нефтепромысловой техники в условиях холодного климата // Наука и бизнес: пути развития. 2013. № 10 (28). С. 35–39.
  7. 7. Габитов И.И., Неговора А.В., Разяпов М.М. Оперативный мониторинг и управление температурными режимами ресурснозначимых агрегатов автотракторной техники // Технический сервис машин. 2021. № 1 (142). С. 89–98.
  8. 8. Ерохин М.Н., Дорохов А.С., Катаев Ю.В. Интеллектуальная система диагностирования параметров технического состояния сельскохозяйственной техники // Агроинженерия. 2021. № 2 (102). С. 45–50.
  9. 9. Костомахин М.Н., Катаев Ю.В., Петрищев Н.А. и др. Система дистанционного мониторинга технического состояния с функцией контроля соблюдения режимов мобильных энергосредств // Вестник машиностроения. 2022. № 1. С. 67–71.
  10. 10. Костомахин М.Н., Пестряков Е.В., Петрищев Н.А., Саяпин А.С. Повышение контролепригодности и совершенствование средств диагностирования сельскохозяйственной техники // Огарёв-Online. 2023. № 5 (190). Порядковый номер 7.
  11. 11. Щукина В.Н., Девянин С.Н., Казанцев С.П., Матвеев А.И. Проектирование интеллектуальной системы контроля технического состояния парка мобильных машин // Агроинженерия. 2022. Т. 24. № 5. С. 52–56.
  12. 12. Севрюгина Н.С., Апатенко А.С., Голубев И.Г. Цифровые модели контроля и управления безрискового функционирования мелиоративного комплекса // Природообустройство. 2024. № 3. С. 13–20. https://doi.org/10.26897/1997-6011-2024-3-13-20
  13. 13. Зиманов Л.Л., Карагодин В.И., Кондратьев И.В., Лазуренко Н.Н., Миняков А.М., Солнцев А.А. Повышение достоверности диагностирования автомобилей и транспортно-технологических машин с применением искусственного интеллекта // Транспортное дело России. 2024. № 2. С. 189–191.
  14. 14. Тимашов Е.П., Пастухов А.Г. Исследование температурных режимов подшипниковых узлов коробки передач автомобиля КАМАЗ‑5320 для обеспечения их контролепригодности // Проблемы машиностроения и надежности машин. 2023. № 4. С. 45–51. https://doi.org/10.31857/S023571192304017X
  15. 15. ГОСТ 18555–94 “Подшипники качения. Динамическая расчетная грузоподъемность и расчетный ресурс (долговечность)”. М.: Стандартинформ, 2009. 19 с.
  16. 16. Пастухов А.Г., Тимашов Е.П. Диагностирование опорных узлов трансмиссии на основе изучения термонагруженности // Сельскохозяйственные машины и технологии. 2023. Т. 17. № 2. С. 61–68. https://doi.org/10.22314/2073-7599-2023-17-2-61-68
  17. 17. Тимашов Е.П., Пастухов А.Г., Тимашова О.В., Крючков А.М. Программа для ЭВМ. РФ 2023661582. Калькулятор температуры в зоне трения радиального подшипника, 2023.
  18. 18. Проектирование трансмиссий автомобилей. Справочник / Под общ. ред. А.И. Гришкевича. М.: Машиностроение, 1984. 272 с.
  19. 19. Lu Y., Lu X., Ye G., He Z., Chen T., Sheng L. Thermal Failure Analysis of Gear Transmission System // J. of Failure Analysis and Prevention. 2024. V. 24. P. 520–537.
  20. 20. Zhou P., Sun L., Zhou G., Ma T., Wang H., Bi W., Ma G., Wang W., Yan X. A New Embedded Condition Monitoring Node for the Idler Roller of Belt Conveyor // IEEE Sensors J. 2024. V. 24 (7). P. 10335–10346. https://doi.org/10.1109/jsen.2024.3363905
  21. 21. Lu R., Liu Sh., Gong Z. et al. Lightweight Knowledge Distillation-Based Transfer Learning Framework for Rolling Bearing Fault Diagnosis // Sensors. 2024. V. 24 (6). P. 1758. https://doi.org/10.3390/s24061758
  22. 22. Han K., Wang W., Guo Ju. Research on a Bearing Fault Diagnosis Method Based on a CNN-LSTM-GRU Model // Machines. 2024. V. 12 (12). P. 927. https://doi.org/10.3390/machines12120927
  23. 23. Santos M.R., Guedes A., Sanchez-Gendriz I. SHapley Additive exPlanations (SHAP) for Efficient Feature Selection in Rolling Bearing Fault Diagnosis // Machine Learning and Knowledge Extraction. 2024. V. 6 (1). P. 316–341. https://doi.org/10.3390/make6010016
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека