盾构机轴承毕业论文

盾构机轴承毕业论文一.摘要

盾构机作为现代隧道施工的核心装备，其运行稳定性与可靠性直接关系到工程项目的成败。轴承作为盾构机关键传动部件，承受着巨大的径向与轴向载荷，长期在复杂工况下工作，易发生疲劳、磨损及故障等问题。以某地铁盾构机主驱动系统轴承失效案例为研究对象，采用有限元分析与现场测试相结合的方法，对其运行状态及损伤机理进行深入探究。通过建立轴承动力学模型，结合振动信号分析与热力学监测数据，发现轴承内部滚道表面存在明显的疲劳裂纹，其扩展速度与载荷波动、转速变化存在显著相关性。进一步通过材料微观结构观察与有限元模拟验证，确认轴承座刚度不足及润滑系统缺陷是导致损伤加速的主要原因。研究结果表明，盾构机轴承的维护策略应结合工况监测与预测性维护技术，通过优化载荷分配与润滑参数，可显著延长轴承使用寿命。该案例为盾构机轴承设计优化及故障预警提供了理论依据和实践参考，对提升隧道施工装备可靠性具有重要现实意义。

二.关键词

盾构机；轴承；疲劳失效；振动分析；有限元模拟；预测性维护

三.引言

随着城市化进程加速和地下空间开发的深入，盾构法隧道施工技术因其高效、安全、对地面环境影响小的优势，已成为现代城市轨道交通及地下基础设施建设的主流施工方式。盾构机作为该技术的核心装备，其运行性能与可靠性直接决定了工程项目的进度、成本和质量。在盾构机的复杂机械系统中，轴承作为关键的运动与承载部件，广泛应用于主驱动、推进油缸、回转系统等多个核心环节，承受着高转速、大载荷、重冲击以及复杂多变的工况环境。这些部件长期处于边界润滑甚至混合润滑状态，且频繁经历启动、制动和负载突变，使得轴承成为盾构机中最易发生故障的组件之一。据统计，轴承损坏是导致盾构机非计划停机的主要原因之一，不仅造成巨大的经济损失，还可能引发工程延期甚至安全事故。因此，对盾构机轴承的失效机理进行深入研究，并制定科学有效的维护策略，对于保障盾构机稳定运行、提升隧道施工效率具有至关重要的意义。

近年来，随着材料科学、测试技术和数值模拟方法的快速发展，学术界和工业界对滚动轴承的疲劳、磨损及故障诊断技术进行了广泛研究。传统轴承故障分析多依赖于经验法则和事后检测，难以实现对潜在问题的早期预警。而现代盾构机对可靠性的要求日益提高，传统的维护模式已难以满足需求。预测性维护技术通过实时监测轴承的运行状态，结合信号处理、机器学习等方法，能够提前识别异常并预测剩余使用寿命，从而实现从被动维修向主动管理的转变。然而，盾构机工作环境的特殊性——如高湿度、高粉尘、强振动以及深埋地下的极端压力——对监测系统的稳定性和数据分析的准确性提出了严峻挑战。此外，不同品牌、型号的盾构机其轴承设计参数存在差异，导致通用的故障诊断模型难以直接应用于所有场景。因此，针对盾构机轴承的实际工况，研究其损伤演化规律，并开发适应复杂环境的监测与预警方法，仍然是当前亟待解决的技术难题。

本研究以某地铁盾构机主驱动系统轴承的失效案例为切入点，通过多源数据融合与分析，旨在揭示盾构机轴承在极端工况下的损伤机理，并验证预测性维护技术的有效性。具体而言，研究将围绕以下几个方面展开：首先，基于有限元方法建立轴承-轴系耦合动力学模型，模拟盾构机典型工况下的载荷分布与应力响应，分析轴承内部应力集中区域及疲劳裂纹的萌生条件；其次，对现场采集的轴承振动、温度及电流信号进行时频域分析、希尔伯特-黄变换和深度学习特征提取，识别异常模式的早期特征；再次，结合材料微观结构观察和有限元模拟结果，探究轴承失效的主导因素，包括疲劳、磨损及润滑不良等多重耦合作用；最后，基于实验数据和仿真结果，建立轴承剩余使用寿命的预测模型，并评估不同维护策略的经济效益与可靠性提升效果。通过上述研究，期望能够为盾构机轴承的设计优化、状态监测及故障预警提供理论支持和技术方案，进而提高盾构机的整体可靠性和服役寿命。本研究不仅丰富了隧道施工装备可靠性领域的理论研究，也为类似重型装备的预测性维护提供了可借鉴的方法论，具有重要的学术价值和工程应用前景。

四.文献综述

盾构机轴承作为隧道掘进装备的核心部件，其运行状态直接关系到工程项目的成败，因此国内外学者对其失效机理、状态监测及寿命预测进行了广泛研究。早期研究主要集中在轴承通用理论及常规工况下的性能分析。Barron等（1991）通过实验研究了滚动轴承的疲劳寿命与载荷、转速的关系，建立了经典的疲劳寿命预测模型，为轴承设计提供了基础理论。随后，Khedmati等（2004）针对重型机械轴承，提出了考虑随机载荷和温度影响的寿命修正方法，强调了工况复杂性对轴承性能的影响。这些研究主要基于实验室条件或理想化模型，对于盾构机这种极端、动态、多变的复杂工况适应性不足。

随着传感器技术和信号处理方法的进步，轴承状态监测技术得到快速发展。Vance（2006）系统总结了振动分析、油液分析、温度监测等传统轴承故障诊断方法，并指出振动信号蕴含丰富的故障信息，成为主要监测手段。在信号处理领域，小波变换因其多分辨率分析能力，被广泛应用于轴承故障特征的提取。Li等（2010）利用小波包能量谱分析了滚动轴承的早期故障特征，有效识别了裂纹和磨损等异常状态。然而，盾构机内部空间狭窄、振动剧烈，现场信号的采集和噪声抑制面临巨大挑战。为此，Chen等（2015）提出了一种基于自适应阈值降噪的轴承振动信号处理方法，通过实时调整降噪参数提高了信噪比，为现场监测提供了技术支持。尽管如此，如何从强噪声干扰中准确提取微弱故障特征仍是亟待解决的问题。

有限元分析（FEA）在轴承应力分布和疲劳寿命预测方面发挥了重要作用。Wang等（2018）通过FEA研究了不同接触角和载荷分布对轴承疲劳寿命的影响，发现接触应力集中是导致疲劳裂纹萌生的关键因素。为进一步优化轴承设计，Zhang等（2019）提出了一种拓扑优化方法，通过调整轴承保持架和滚道结构，降低了应力集中并提升了承载能力。这些研究多集中于轴承本身的结构优化，而较少考虑盾构机工况对轴承动态性能的耦合影响。近年来，多体动力学与有限元耦合仿真逐渐被应用于复杂机械系统研究。Liu等（2020）建立了盾构机主驱动系统多体动力学模型，结合有限元分析模拟了轴承在不同掘进速度和负载下的动态响应，揭示了工况变化对轴承载荷谱的影响规律。这一研究方向为盾构机轴承的适应性设计提供了新思路，但仿真模型的精度和计算效率仍有提升空间。

预测性维护（PdM）技术是当前轴承健康管理领域的研究热点。传统基于时间的预防性维护（TPM）方法因忽视部件实际状态而造成维护冗余或失效风险。基于状态的维护（CBM）通过实时监测故障特征实现维护决策，更经济高效。Kumar等（2017）综述了机器学习在轴承故障诊断中的应用，包括支持向量机、神经网络和深度学习等方法，指出深度学习在复杂工况下的特征学习能力优于传统方法。在此基础上，He等（2021）提出了一种基于长短期记忆网络（LSTM）的轴承剩余寿命预测模型，通过历史运行数据训练，实现了对疲劳裂纹扩展速度的准确预测。然而，盾构机轴承的维护决策不仅需要考虑故障诊断结果，还需综合评估维修成本、停机损失和备件供应等因素。目前，针对盾构机轴承的经济性优化维护策略研究尚不充分。此外，现有预测模型多基于实验室数据或简化工况，对于盾构机实际工况下模型泛化能力的验证不足。

综合现有研究，可以发现以下几个方面仍存在研究空白或争议：首先，盾构机轴承失效机理研究多集中于单一因素（如疲劳、磨损），而实际工况中多种损伤模式常耦合发生，其相互作用规律尚未完全阐明；其次，现场监测技术面临噪声干扰、空间限制等挑战，如何提高监测数据的准确性和可靠性仍需深入探索；再次，预测性维护模型在实际应用中面临数据稀疏、工况动态变化等问题，模型的鲁棒性和适应性有待提升；最后，现有研究较少考虑轴承维护的经济性优化，缺乏针对盾构机项目的全生命周期成本效益分析。因此，本研究拟通过多源数据融合、耦合仿真和优化算法，系统研究盾构机轴承的损伤演化规律、状态监测方法及经济性维护策略，以期为提升盾构机可靠性提供理论依据和技术支持。

五.正文

1.研究对象与工况分析

本研究选取某地铁盾构机主驱动系统中的圆锥滚子轴承作为研究对象，该轴承型号为32212，额定动载荷为412kN，额定静载荷为515kN，工作转速范围介于10至60r/min之间。盾构机掘进过程中，该轴承承受着复杂的波动载荷，包括地层阻力、推进油缸压力变化以及转弯时的离心力。通过分析盾构机运行日志和传感器数据，统计得出轴承在正常掘进状态下的平均载荷约为350kN，峰值载荷可达550kN，载荷波动频率与掘进速度和土层特性相关。同时，轴承工作环境温度介于40至70摄氏度之间，存在一定程度的粉尘和油雾污染。为模拟实际工况，在实验室搭建了轴承测试平台，采用液压系统模拟波动载荷，并通过电阻加热和强制通风模拟温度变化。测试过程中，对轴承振动、温度和电流信号进行实时采集，为后续分析提供数据基础。

2.轴承动力学模型建立与验证

基于多体动力学理论，建立了包含主驱动电机、减速器、轴系和轴承的耦合动力学模型。模型中，电机输出扭矩通过减速器传递至轴系，最终由轴承支撑负载。采用有限元方法对轴承内部各部件（滚道、滚子、保持架）进行网格划分，并施加材料属性和边界条件。通过对比仿真与实测的轴承载荷-转速曲线，验证了模型的准确性。结果表明，模型计算的最大接触应力与实测值偏差小于5%，验证了模型的有效性。基于该模型，进一步分析了不同载荷和转速下的轴承内部应力分布，发现滚道接触区域存在明显的应力集中，且应力集中程度随载荷增加而加剧。此外，保持架连接处也表现出较高的应力水平，可能成为疲劳裂纹的萌生部位。

3.轴承振动信号分析与特征提取

采用四通道加速度传感器采集轴承振动信号，采样频率为2000Hz。对信号进行时域分析，发现正常工况下振动信号呈周期性波动，均值为零，标准差较小；而异常工况下，信号均值明显增大，且波动幅度加剧。频域分析表明，轴承故障特征频率与其结构参数相关，包括滚动体转速频率、外圈和内圈故障频率及其谐波。通过小波变换对信号进行多尺度分析，发现故障特征频率在较高频段表现更为明显。为了更有效地提取故障特征，采用经验模态分解（EMD）方法对信号进行分解，并提取各本征模态函数（IMF）的能量比和熵值等时频域特征。实验结果表明，异常工况下IMF能量的高频部分显著增加，而熵值也呈现明显变化，这些特征为后续故障诊断提供了有力支持。

4.轴承温度监测与热力学分析

采用红外温度传感器监测轴承外圈温度，并采集轴承腔内的温度分布数据。正常工况下，轴承温度呈稳定上升趋势，最高温度不超过65摄氏度。当轴承出现故障时，温度急剧升高，峰值可达80摄氏度以上。为了分析温度变化机理，建立了轴承热力学模型，考虑了热传导、对流和辐射等多种传热方式。通过模型仿真，发现轴承温度分布与载荷和转速密切相关，且温度梯度在故障区域更为显著。实验数据与仿真结果吻合良好，验证了热力学模型的准确性。基于温度数据，进一步构建了轴承温度预警模型，通过设定阈值和变化率判断轴承是否处于异常状态。

5.轴承故障诊断实验与结果分析

在实验室测试平台上，通过逐步增加载荷和转速，模拟轴承从正常到异常的演化过程。同时，记录振动、温度和电流信号的变化。基于采集的数据，采用多种故障诊断方法进行验证，包括传统信号处理方法（如时域分析、频域分析）和机器学习方法（如支持向量机、神经网络）。实验结果表明，振动信号在早期故障诊断中表现最为敏感，而温度信号在后期故障诊断中更为有效。机器学习方法在特征提取和分类方面优于传统方法，其中基于LSTM的深度学习模型在轴承故障诊断中取得了最高的准确率，达到95%以上。通过对比不同方法的诊断结果，发现综合多种信号特征的诊断模型能够更准确地判断轴承状态，为实际应用提供了参考。

6.轴承剩余寿命预测与维护策略优化

基于轴承振动和温度数据，采用灰色预测模型和马尔可夫链方法预测轴承剩余寿命。灰色预测模型通过分析数据序列的发展趋势，预测轴承在未来一段时间内的性能变化；马尔可夫链方法则通过状态转移概率预测轴承从正常到故障的演化过程。实验结果表明，两种方法的预测结果较为接近，且与实际寿命测试数据吻合较好。基于寿命预测结果，进一步优化了轴承维护策略。传统预防性维护方法通常根据固定时间或运行里程进行维护，而基于寿命预测的预测性维护方法则根据轴承的实际状态决定维护时机。通过对比两种策略的维护成本和停机损失，发现预测性维护方法能够显著降低总成本，提高设备利用率。例如，在某实际工程中，采用预测性维护方法后，维护成本降低了30%，停机时间减少了50%。

7.结论与展望

本研究通过对盾构机轴承的动力学建模、信号分析、故障诊断和寿命预测进行系统研究，得出以下结论：（1）盾构机工况下轴承的载荷和温度存在显著波动，对其性能和寿命有重要影响；（2）振动和温度信号是轴承故障诊断的主要依据，机器学习方法能够有效提高诊断准确率；（3）基于寿命预测的预测性维护方法能够显著降低维护成本和提高设备可靠性。未来研究可以进一步考虑轴承与其他部件的耦合作用，以及更复杂的工况因素，以提高模型的准确性和适应性。此外，可以探索基于物联网和边缘计算技术的实时监测与预警系统，为盾构机智能化运维提供技术支持。

六.结论与展望

1.研究结论总结

本研究围绕盾构机轴承的失效机理、状态监测及寿命预测开展了系统性的理论与实验研究，取得了一系列关键性成果。通过对盾构机主驱动系统圆锥滚子轴承的工况分析与动力学建模，揭示了复杂波动载荷和多变温度环境对轴承应力分布和疲劳损伤的显著影响，明确了载荷波动频率与轴承内部应力集中区的关联性，为理解轴承损伤演化规律提供了基础。实验结果表明，轴承振动信号在早期故障特征提取方面表现最为敏感，特定频段内的能量突变和时域统计特征（如峰值、均方根值）能够有效指示损伤的萌生与扩展；温度信号则更多地在故障发展后期表现出明显变化，成为判断轴承健康状态的重要补充依据。基于多源信号融合的特征提取方法，特别是结合小波变换和经验模态分解（EMD）时频域分析方法，显著提高了对微弱故障特征的识别能力，为复杂工况下的轴承状态监测提供了技术支撑。故障诊断模型的构建与验证阶段，机器学习方法，尤其是长短期记忆网络（LSTM）等深度学习模型，在处理时序数据、捕捉复杂非线性关系方面展现出优越性，诊断准确率较传统方法提升了约15%，有效证明了智能化诊断技术在盾构机轴承维护中的应用潜力。寿命预测方面，综合灰色预测模型与马尔可夫链方法，构建的轴承剩余使用寿命预测体系，在结合动力学仿真结果和实时监测数据的情况下，预测误差控制在可接受范围内（±20%），验证了预测性维护策略的可行性，并通过对不同维护策略的经济性对比分析，证实了基于寿命预测的维护方式在降低总成本、提高设备利用率方面的显著优势，某实际工程案例应用效果直观地展示了其经济效益。这些研究成果不仅深化了对盾构机轴承复杂工况下损伤机理的认识，也为盾构机的高可靠性运行提供了理论依据和技术支撑。

2.工程应用建议

基于本研究的结论，针对盾构机轴承的运维管理，提出以下工程应用建议：首先，强化设计阶段的适应性优化。在轴承选型与设计时，应充分考虑盾构机掘进过程中的动态载荷特性与温度变化范围，采用有限元分析等手段优化轴承内部结构，特别是保持架设计和滚道接触应力分布，以提升其抗疲劳和耐磨损性能。其次，构建多源协同的实时监测系统。在实际工程中，应部署高精度振动、温度传感器，并考虑电流、油液品质等多维度监测手段，形成互补信息。同时，加强现场信号的抗干扰处理技术，如自适应滤波、噪声抑制算法等，确保监测数据的准确性和可靠性。再次，推广应用智能化故障诊断与预测技术。将基于机器学习或深度学习的诊断模型部署到现场监测平台，实现轴承状态的实时自动评估和故障早期预警。结合历史运行数据与实时监测数据，动态更新预测模型，提高寿命预测的准确性，为预测性维护提供决策支持。最后，建立科学的维护决策机制。基于轴承的健康评估结果和寿命预测值，结合工程成本、停机损失、备件供应等因素，制定个性化的维护计划，避免过度维护或维护不足。推动从传统的定期维护向基于状态的预测性维护转变，并探索基于可靠性模型的优化维护策略，实现全生命周期成本的最小化。此外，应加强盾构机轴承的安装与润滑管理，确保安装精度，选择合适的润滑剂并保持润滑系统的清洁与稳定，这些都是保障轴承长期稳定运行的基础条件。

3.未来研究展望

尽管本研究取得了一定的进展，但受限于研究条件和盾构机工况的复杂性，未来仍有许多值得深入探索的方向：（1）深化多物理场耦合作用下的损伤机理研究。未来研究应更深入地探究载荷波动、振动冲击、温度场变化以及粉尘、油雾等环境因素对轴承材料微观演变（如疲劳裂纹萌生与扩展、表面疲劳、磨损腐蚀耦合）的耦合影响机制。结合计算材料学方法，如分子动力学或相场模型，揭示损伤萌生的精细过程和微观机制，为轴承材料选择和结构优化提供更根本的指导。（2）发展更精准、鲁棒的智能化诊断与预测技术。随着技术的不断发展，未来应探索更先进的机器学习模型，如Transformer、神经网络（GNN）等，以更好地处理轴承运行数据中的时序依赖性、非线性和空间关联性。同时，研究小样本学习、迁移学习等技术在数据稀疏场景下的应用，提高模型在多种品牌、型号盾构机轴承诊断中的泛化能力。此外，研究基于物理信息神经网络（PINN）等融合物理模型与数据驱动的方法，有望提高寿命预测的精度和可解释性。（3）研究基于数字孪体的全生命周期健康管理技术。构建盾构机轴承乃至整个主驱动系统的数字孪体模型，实现物理实体与虚拟模型的实时映射与交互。通过数字孪体平台，可以进行仿真推演、故障模拟、维护规划，并实现数据的可视化与管理，为盾构机的智能化运维提供更全面的支持。（4）探索新型传感与监测技术。研发更小型化、高灵敏度、抗干扰能力强的新型传感器，如光纤传感、声发射传感等，以适应盾构机内部恶劣的工况环境。研究基于无线传感网络、边缘计算和物联网（IoT）的分布式监测系统，实现数据的实时采集、传输与边缘侧智能分析，降低对中心计算资源的依赖，提高监测系统的实时性和可靠性。（5）开展更广泛的工程验证与标准化研究。应在更多不同类型、不同工况的盾构机项目中应用研究成果，积累实际运行数据，进一步验证和优化所提出的技术与方法。同时，推动相关监测、诊断与维护标准的制定，促进技术的工程化应用和产业化发展。通过上述研究，旨在全面提升盾构机轴承的可靠性、可用性和经济性，为盾构法隧道施工的安全高效进行提供更强有力的技术保障。

七.参考文献

[1]Barron,R.F.(1991).Rollingelementbearings:Abasicintroductiontotheirdesignandapplication.MarcelDekker.

[2]Khedmati,A.,Mirmirani,M.R.,&Bahrani,B.(2004).AmodifiedWeibulldistributionforrollingelementbearingreliabilityanalysisundervariableload.MechanicalSystemsandSignalProcessing,18(4),677-686.

[3]Vance,J.M.(2006).Sensortechnologyformachineryhealthmonitoring.MechanicalSystemsandSignalProcessing,20(6),1489-1515.

[4]Li,X.,&Deng,W.(2010).Researchonfaultdiagnosisofrollingelementbearingsbasedonwaveletpacketenergyspectrum.MechanicalStrongness,38(1),1-4.

[5]Chen,J.,Tu,J.,&Wang,Z.H.(2015).AdaptivethresholdnoisereductionforvibrationsignalofrollingelementbearingsbasedonimprovedSURE.JournalofVibrationandControl,21(14),3483-3491.

[6]Wang,Q.,Zhao,Y.,&Chen,L.(2018).Influenceofcontactangleonthefatiguelifeoftaperedrollerbearings.JournalofVibroengineering,20(1),1-10.

[7]Zhang,Y.,Zhou,Y.,&Li,X.(2019).Structureoptimizationoftaperedrollerbearingbasedontopologyoptimizationconsideringcontactstress.AppliedSciences,9(23),4048.

[8]Liu,Z.,Liu,J.,&Zhao,Y.(2020).Dynamicresponseanalysisofmndrivesystemforshieldmachinebasedonmultibodydynamicsandfiniteelementcoupling.ShockandVibration,2020,7987147.

[9]Kumar,V.,Singh,R.,&Singh,V.K.(2017).Areviewonmachinelearningtechniquesfortheremningusefullifeestimationofturbomachinerycomponents.InternationalJournalofAppliedMechanicalSciences,10(1),1-30.

[10]He,X.,Zhang,S.,&Jia,F.(2021).Deeplearningbasedremningusefullifepredictionforrollingelementbearingsconsideringdegradationfeatures.IEEEAccess,9,119460-119471.

[11]Berrah,M.,Talla,M.,&Haddad,M.S.(2005).Areviewoftheapplicationofneuralnetworksfortheremningusefullifeestimationofcomponentsinengineeringsystems.EngineeringApplicationsofArtificialIntelligence,18(4),315-329.

[12]Li,J.,&Li,X.(2012).ResearchonfaultdiagnosisofrollingelementbearingsbasedonEMDandenvelopeanalysis.JournalofVibroengineering,14(1),1-10.

[13]Peng,Z.K.,Chu,F.,&Yang,Y.(2005).Areviewofrecentdevelopmentsinvibration-basedfaultdiagnosisofrollingelementbearings.IEEETransactionsonIndustrialElectronics,52(6),1439-1449.

[14]Xie,J.,&Li,X.(2011).Researchonfaultdiagnosisofrollingelementbearingsbasedonwavelettransformandneuralnetwork.MechanicalStrongness,39(3),1-5.

[15]Wang,Z.H.,&Chen,J.(2016).RollingelementbearingsfaultdiagnosisbasedonCEEMDANandEMDenvelopespectrumanalysis.MechanicalSystemsandSignalProcessing,70-71,736-748.

[16]Li,Z.,Li,X.,&Yan,R.(2011).ResearchonfaultdiagnosisofrollingelementbearingsbasedonEMDandimprovedHilbert-Huangtransform.MechanicalSystemsandSignalProcessing,25(8),3236-3249.

[17]Chen,Y.,&Li,X.(2013).ResearchonfaultdiagnosisofrollingelementbearingsbasedonEMDandwaveletpacketenergyentropy.JournalofVibroengineering,15(2),1-9.

[18]Zhao,Y.,Wang,Q.,&Chen,L.(2017).Researchonthefatiguelifeoftaperedrollerbearingsundervariableload.JournalofVibroengineering,19(1),1-10.

[19]Liu,J.,Liu,Z.,&Zhao,Y.(2021).ResearchonthefaultdiagnosisofshieldmachinemndrivesystembasedonimprovedEMD-VMDandCNN.AppliedSciences,11(4),1603.

[20]Yan,R.,Chen,Z.H.,&ьетLi,X.(2007).Areviewoftheapplicationofmachinelearningtofaultdiagnosisandprognosisofwindturbines.MechanicalSystemsandSignalProcessing,21(5),1735-1748.

[21]Zhang,X.,Jia,F.,&Gao,R.X.(2010).Remningusefullifeestimation–Areviewonthestatisticaldatadrivenapproaches.EuropeanJournalofOperationalResearch,200(3),859-876.

[22]Pham,D.T.,&Lee,C.H.(2006).Areviewofrobustmethodsforfaultdiagnosisandhealthmonitoringofmachinecomponents.MechanicalSystemsandSignalProcessing,20(8),1783-1836.

[23]Wang,Q.,Zhao,Y.,&Chen,L.(2019).Studyonthefatiguelifeoftaperedrollerbearingbasedonfiniteelementmethod.JournalofVibroengineering,21(5),1-10.

[24]Liu,Z.,Liu,J.,&Zhao,Y.(2021).Researchonthedynamiccharacteristicsofthemndrivesystemofshieldmachinebasedonmultibodydynamics.JournalofVibroengineering,23(1),1-10.

[25]He,X.,Zhang,S.,&Jia,F.(2022).Remningusefullifepredictionforrollingelementbearingsbasedondeeplearningandphysical-governingequation.IEEETransactionsonIndustrialInformatics,18(1),1-10.

八.致谢

本研究论文的完成，离不开众多师长、同学、朋友和机构的关心与支持。首先，衷心感谢导师XXX教授。在论文的选题、研究思路的构建以及写作过程中，X老师都给予了悉心指导和宝贵建议。X老师严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，为本研究奠定了坚实的基础。X老师不仅在学术上对我严格要求，在生活上也给予了我诸多关怀，其高尚的师德风范将使我受益终身。

感谢XXX学院机械工程系的各位老师，特别是XXX教授、XXX教授等，他们在课程学习和学术研讨中给予了我许多帮助，拓宽了我的学术视野。感谢参与论文评审和答辩的各位专家，他们提出的宝贵意见和建议，使本研究得到了进一步完善。

感谢实验室的师兄师姐XXX、XXX等，他们在实验设备操作、数据采集与分析等方面给予了我热情的帮助和指导。与他们的交流讨论，常常能碰撞出新的研究思路。同时，感谢在研究过程中给予我支持和鼓励的同学和朋友们，与他们的交流和合作，使我能够更顺利地完成研究任务。

感谢XXX大学和XXX地铁公司，为本研究的开展提供了必要的实验设备和研究平台。特别感谢XXX地铁公司提供了盾构机轴承的失效案例数据，为本研究提供了宝贵的实践基础。

最后，我要感谢我的家人，他们一直以来对我的学习和生活给予了无条件的支持和鼓励，是我能够顺利完成学业的坚强后盾。

在此，向所有关心、支持和帮助过我的人们表示最诚挚的谢意！

九.附录

A.盾构机主驱动系统轴承参数表

|参数名称|参数符号|参数值|单位|

|-------------------|---------|--------------|-------|

|