Классификация цепных передач: Цепные передачи – описание, виды, плюсы и минусы - Статьи

Содержание

Цепные передачи – описание, виды, плюсы и минусы — Статьи

19.10.2018 15

Широкое применение цепных передач в самых различных машинах и механизмах обусловлено набором предоставляемых ими характеристик. Главными достоинствами подобного способа передачи энергии выступает универсальность, простота и экономичность.

Под цепной передачей понимается передача вращательного движения, которая осуществляется между расположенными параллельно друг к другу валами при помощи бесконечной цепи, соединяющей размещенные на них звездочки. Как ременная, цепная передача относится к передачам с гибкой связью. Однако, она способна изгибаться исключительно в одной плоскости, поэтому может быть эффективно использована только для расположенных параллельно валов.

Особенности цепной передачи и ее отличия от ременной

Первое серьезное отличие двух самых широко распространенных видов передач – цепной и ременной – было указано выше. Оно заключается в возможности изгиба цепи только в одной плоскости и, как следствие, использование исключительно для валов, расположенных параллельно друг другу.

Другим немаловажным отличием выступает отсутствие в цепной передаче ключевого значения такого важного параметра, как угол обхвата цепью звездочки. В отличие от ременной передачи он не играет настолько серьезной роли в обеспечиваемых при передаче энергии характеристиках.

В качестве существенного фактора, являющегося плюсом цепной передачи, можно назвать отсутствие необходимости предварительно натягивать цепь, так как действие механизма обеспечивается зацеплением звеньев цепи с зубьями звездочек.

Важной особенностью цепной передачи выступает возможность эффективного использования практически для любых межосевых расстояний – как для малых, так и для больших. Она дополняется способностью передачи мощности от одного вала сразу нескольким. Кроме того, цепная передача может быть как понижающей, так и повышающей, что также является характерной отличительной чертой этого способа передачи энергии.

Классификация цепных передач

При классификации цепных передач применяется несколько признаков. Например, по функциональному назначению и способу использования в машиностроении и других отраслях промышленности различают три вида цепей:

грузовые. Основной целью использования этого типа выступает подвеска и перемещение различных грузов. В подобной ситуации механизм, как правило, является частью какого-либо грузоподъемного оборудования или устройства, а скорость перемещения, главным образом, по вертикали составляет не более 0,5 м/с;
тяговые. В этом случае цепь также используется для перемещения грузов, но с более высокой скоростью, достигающей 2-4 м/с. Это объясняется тем, что движение осуществляется в значительной степени по горизонтали с применением таких механизмов, как элеваторы, транспортеры, эскалаторы и т.д.;
приводные. Наиболее распространенный вариант цепей, обычно используемый с малым шагом, что позволяет снизить нагрузки и увеличить срок службы изделия. Целью его использования выступает передача энергии в крайне обширном интервале скоростей, причем показатель передаточного отношения является величиной постоянной.

Именно последний вид цепей применяется в цепных передачах. Более того, слово приводные при их описании часто опускается, а в большей части технической и справочной литературы понятия «приводная цепь» и «цепь в цепной передаче» в значительной степени тождественны.

Другими классифицирующим параметрами цепных передач выступают:

тип цепи – роликовые, зубчатые или втулочные;
число рядов – одно- и многорядные;
количество ведомых валов/звездочек – двух- и многозвенные;
расположение звездочек – горизонтальные, вертикальные или наклонные;
вариант регулировки степени провисания цепи – с натяжной звездочкой или специальным натяжным устройством;
конструкция – открытые и закрытые;
влияние на частоту вращения валов – повышающие и понижающие.

Достоинства цепной передачи

Большая часть преимуществ цепной передачи обычно рассматривается по сравнению с ременной. Это вполне логично, так именно эти два способа передачи вращательной энергии используются наиболее широко. Некоторые достоинства цепной передачи наглядно проявляются по отношению к зубчатой, которая также применяется на практике достаточно часто.

Основными плюсами использования цепной передачи выступают такие:

высокий уровень прочностных характеристик, который допускает намного более серьезные нагрузки. В результате при компактных размерах обеспечивается большая эффективность;
возможность использования в одном механизме сразу нескольких ведомых звездочек;
возможность передачи энергии на крайне серьезные расстояния, доходящие до 8 м;
относительно небольшой (по сравнению с ременной передачей – меньше в 2 раза) уровень радиальной нагрузки на валы;
высокая эффективность. КПД цепной передачи находится на уровне 90%-98%;
серьезная мощность передаваемой энергии, параметры которой достигают нескольких тысяч кВт;
впечатляющие показатели скорости движения цепи и значения передаточного числа, составляющие, соответственно, до 35 м/с и 10;
компактность механизма;
отсутствие такого негативного фактора, характерного для ременной передачи, как скольжение;
простая и удобная замена цепи, которая дополняется отсутствием необходимости серьезного начального натяжения.

Недостатки цепной передачи

Количество очевидных минусов рассматриваемого способа передачи энергии существенно меньше числа достоинств, перечисленных выше. Тем не менее, недостатки присутствуют и к их числу относятся:

достаточно высокая цена изготовления механизма и главной его расходной части – самой цепи;
отсутствие возможности применять передачу при реверсировании без ее полной остановки;
использование цепной передачи предусматривает практически обязательное применение картеров;
далеко не всегда конструкция механизма позволяет обеспечить удобную подачу смазки к шарнирам и звеньям цепи;
при небольшом количестве зубьев наблюдается непостоянство скорости движения цепи, что становится причиной колебания такого важного параметра как передаточное отношение;
высокий уровень шума, сопровождающего эксплуатацию устройства;
серьезные требования к правильному расположению валов;
необходимость в постоянном контроле над работой механизма и его обслуживании, отсутствие которых могут привести к быстрому износу.

Сравнение недостатков и достоинств показывает, что при грамотном использовании цепная передача позволяет добиться высокого КПД при разумном уровне затрат. Главное при этом – грамотно воспользоваться очевидными преимуществами этого механизма, минимизировав его минусы.

Цепная передача: типы преимущества и применение

Статьи 24.10.201114.08.2017

По своей сути цепная передача представляет собой устройство — цепь, которое при помощи зацепления осуществляет передачу механической энергии на расстояние. Устройство цепи включает в себя активную и пассивную звездочки, при помощи которых подвижные звенья, соединенные в единое кольцо, могут начать непрерывное вращательное движение. Фиксация цепи в единое кольцо осуществляется при помощи специальной соединительной части, представляющей собой разборное звено.

Простые в конструкции, подобные механические системы выполняются по закону целых взаимно простых чисел, у которых отсутствует какой-либо общий делитель за исключением единицы. Таким образом во время работы цепной передачи будет происходить равномерный износ всех деталей конструкции: каждый зубчик будет поочередно осуществлять стыковку с каждым звеном.

Можно условно разделить цепные передачи на несколько подвидов, в зависимости, в первую очередь, от конструкции рабочего механизма:

По назначению: тяговые/приводные/грузовые
В зависимости от общего количества звездочек: простые/сложные
В зависимости от типа звездочек: ведущие/ведомые
Согласно направлению вращения звездочек: прямое/обратное
Согласно расположению в пространстве: замкнутые горизонтально/вертикально/пространственные

По уровню центровки звездочек: горизонтальные/вертикальные/ расположенные под углом
По частоте вращения: повышающие/понижающие
По типу пылезащищенности: открытые/закрытые
По смазанности: ручная/масляная/цикруляционная и др. .

Преимущества

Основным преимуществом цепной передачи перед своими конкурентами является простота ее конструкции и экономичность работы. Данные механические системы не требуют особой точности расположения валов и некритичны к их подвижности, могут испытывать ударные нагрузки и при этом невысокий уровень шума во время рабочих процессов. Поскольку конструкция допускает практически любые значения межцентровых расстояний, то скомпоновать подобный механизм не составляет особого труда.

С другой стороны, если сравнивать цепную передачу, например, с ремённой системой, то можно отметить другие положительные рабочие характеристики: ввиду отсутствия преднатяжения данные механизмы не подвержены к перегрузкам внутренних элементов: валов и подшипников. Вне зависимости от выбранной рабочей скорости осуществляется одинаково высокая мощность. Системы не имеют температурной зависимости и могут быть легко адаптированы практически к любым конструктивным изменениям.

Подводя итоги, можно выделить самые главные достоинства данных систем:

Высокая прочность
Прочность, передача больших нагрузок на меньшем расстоянии
Простота конструкции
КПД до 98%
Поддержка нескольких звездочек
Работа на расстоянии менее 7 м

Отсутствие преднатяжения и проскальзывая
Высокая продолжительность эксплуатации
Экономичность
Компактность
Легкость замены и ремонта

Недостатки

Несмотря на вышеперечисленные положительные стороны данных механизмов они подходят для использования в ограниченном количестве рабочих механизмов. Скорость перемещения цепи на небольших расстояниях является непостоянной величиной, данное свойство обусловлено расположением звездочек неравномерно и вне единой окружности.

Другим недостатком механизма является вытягивание цепи, чаще всего обусловленное отсутствием своевременно смазки шарниров. Также оно может быть связано с попаданием пыли и грязи в конструкцию, а также отсутствием пылезащищенного корпуса.

Среди основных недостатков, как правило, силятся следующие:

Высокая стоимость
Склонность к растяжению цепи
Неудобный подвод смазки
Непостоянная скорость движения
Процесс реверсирования происходит с обязательной остановкой

Обязательна установка на картерах
Шумность
Пыле-/грязе- незазищенность
Требуют регулярной смазки и регулировки

Применение

Наиболее востребованы данные механизмы в области машиностроения, где используются два их подтипа: приводные и тяговые. Приводные передают движение от источника к механизму. Тяговые передачи осуществляют транспортировку грузов и используются в следующих механизмах: экскаваторы, элеваторы, транспортеры и др.. Грузовые передачи предназначены для подъемно-транспортных систем, для транспортировки грузов на скорости до 0,5 м/с.

Как мы уже отметили, наиболее популярны цепные передачи в транспортировочных областях: конвейерах, элеваторах и других подобных системах, а также в сельхозмашинах, нефтепромышленности, горнодобыче. Помимо прочего они встречаются в легковых и грузовых автомобилях, велосипедах, мопедах, трициклах, квадроциклах и мототехнике.

Цепочка классификаторов

— документация scikit-learn 1.2.2

Пример использования цепочки классификаторов в наборе данных с несколькими метками.

В этом примере мы будем использовать набор данных дрожжей, который содержит 2417 точек данных, каждая со 103 функциями и 14 возможными метками. Каждый точка данных имеет хотя бы одну метку. В качестве основы мы сначала тренируем логистику. классификатор регрессии для каждой из 14 меток. Для оценки производительности эти классификаторы мы прогнозируем на протянутом тестовом наборе и вычисляем оценка Жаккара для каждого образца.

Далее мы создаем 10 цепочек классификаторов. Каждая цепочка классификаторов содержит модель логистической регрессии для каждой из 14 меток. Модели в каждом цепи упорядочены случайным образом. В дополнение к 103 функциям в наборе данных, каждая модель получает прогнозы предыдущих моделей в цепочке как функции (обратите внимание, что по умолчанию во время обучения каждая модель получает истинную метки как функции). Эти дополнительные функции позволяют каждой цепочке использовать корреляции между классами. Оценка сходства Жаккара для каждой цепочки имеет тенденцию быть больше, чем у набора независимых логистических моделей.

Поскольку модели в каждой цепочке расположены случайным образом, разница в производительности между цепями. Наверное есть оптимум упорядочивание классов в цепочке, обеспечивающее наилучшую производительность. Однако мы не знаем этого порядка априори. Вместо этого мы можем построить голосующий ансамбль цепочек классификаторов путем усреднения бинарных предсказаний цепочки и применить порог 0,5. Показатель сходства Жаккара ансамбль больше, чем у независимых моделей, и имеет тенденцию превышать оценка каждой цепочки в ансамбле (хотя это не гарантируется со случайно упорядоченными цепями).

 # Автор: Адам Клечевски
# Лицензия: пункт BSD 3
импортировать numpy как np
импортировать matplotlib.pyplot как plt
из sklearn.datasets импортировать fetch_openml
из sklearn.multioutput импорт ClassifierChain
из sklearn.model_selection импорта train_test_split
из sklearn.multiclass импортировать OneVsRestClassifier
из sklearn.metrics импортировать jaccard_score
из sklearn.linear_model импортировать LogisticRegression
# Загрузите набор данных с несколькими метками с https://www.openml.org/d/40597.
X, Y = fetch_openml ("дрожжи", версия = 4, return_X_y = True, парсер = "панды")
Y = Y == "ИСТИНА"
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0,2, random_state=0)
# Подобрать независимую модель логистической регрессии для каждого класса, используя
# Обертка OneVsRestClassifier. 
base_lr = Логистическая регрессия ()
ovr = OneVsRestClassifier (base_lr)
ovr.fit(X_train, Y_train)
Y_pred_ovr = ovr.predict(X_test)
ovr_jaccard_score = jaccard_score (Y_test, Y_pred_ovr, среднее = "образцы")
# Подберем ансамбль цепочек классификаторов логистической регрессии и возьмем
# взять среднее предсказание всех цепочек.
chains = [ClassifierChain(base_lr, order="random", random_state=i) для i в диапазоне (10)]
для цепи в цепях:
    chain.fit(X_train, Y_train)
Y_pred_chains = np.array([chain.predict(X_test) для цепочки в цепочках])
chain_jaccard_scores = [
    jaccard_score (Y_test, Y_pred_chain> = 0,5, среднее = "образцы")
    для Y_pred_chain в Y_pred_chains
]
Y_pred_ensemble = Y_pred_chains.mean (ось = 0)
ансамбль_jaccard_score = jaccard_score(
    Y_test, Y_pred_ensemble >= 0,5, среднее = "образцы"
)
model_scores = [ovr_jaccard_score] + chain_jaccard_scores
model_scores.append (ансамбль_jaccard_score)
имена_моделей = (
    "Независимый",
    «Цепь 1»,
    «Цепь 2»,
    «Цепь 3»,
    «Цепь 4»,
    «Цепь 5»,
    «Цепь 6»,
    «Цепь 7»,
    «Цепь 8»,
    "Цепь 9",
    «Цепь 10»,
    "Ансамбль",
)
x_pos = np. arange (len (имя_модели))
# Постройте показатели сходства Жаккара для независимой модели, каждый из
# цепи и ансамбль (обратите внимание, что вертикальная ось на этом графике
# не начинаться с 0).
рис, топор = plt.subplots (figsize = (7, 4))
ax.grid(Истина)
ax.set_title("Сравнение производительности ансамбля цепочек классификаторов")
ax.set_xticks(x_pos)
ax.set_xticklabels (имя_модели, вращение = "вертикальный")
ax.set_ylabel("Оценка сходства Жаккара")
ax.set_ylim([мин(model_scores) * 0,9, макс(model_scores) * 1,1])
цвета = ["r"] + ["b"] * len(chain_jaccard_scores) + ["g"]
ax.bar(x_pos, model_scores, альфа=0,5, цвет=цвета)
plt.tight_layout()
plt.show()

Общее время работы сценария: ( 0 минут 7,645 секунды)

Загрузить исходный код Python: plot_classifier_chain_yeast.py

Загрузить блокнот Jupyter: plot_classifier_chain_yeast.ipynb

Галерея, созданная Sphinx-Gallery

Цепочки классификаторов

для многоуровневой классификации

Цепочки классификаторов для многоуровневой классификации

Джесси Рид ²² ,
Бернхард Пфарингер ²² ,
Джефф Холмс ²² и
…

²²

Документ конференции

6527 доступов
255 Цитаты

Часть серии книг Lecture Notes in Computer Science (LNAI, том 5782)

Abstract

Широко известный метод бинарной релевантности для классификации с несколькими метками, в котором каждая метка рассматривается как независимая бинарная проблема, был отодвинут на второй план в литературе из-за предполагаемой неадекватности его предположения о независимости метки. Вместо этого большинство современных методов вкладывают значительную сложность в моделирование взаимозависимостей между метками. В этой статье показано, что методы, основанные на бинарной релевантности, могут многое предложить, особенно с точки зрения масштабируемости для больших наборов данных. Мы проиллюстрируем это новым методом цепочки, который может моделировать корреляции меток, сохраняя при этом приемлемую вычислительную сложность. Эмпирическая оценка широкого спектра наборов данных с несколькими метками с различными оценочными показателями демонстрирует конкурентоспособность нашего метода цепочек по сравнению с родственными и современными методами как с точки зрения прогностической эффективности, так и с точки зрения временной сложности.

Скачать документ конференции в формате PDF

Ссылки

Фюрнкранц, Дж., Хюллермайер, Э., Менсия, Э.Л., Бринкер, К. : Классификация по нескольким меткам посредством калиброванного ранжирования меток. Машинное обучение 73(2), 133–153 (2008)
CrossRef Google Scholar
Годбол, С., Сараваги, С.: Дискриминационные методы для классификации по нескольким меткам. В: Дай, Х., Срикант, Р., Чжан, К. (ред.) PAKDD 2004. LNCS (LNAI), vol. 3056, стр. 22–30. Спрингер, Гейдельберг (2004)
Перекрёстная ссылка Google Scholar
Ji, S., Tang, L., Yu, S., Ye, J.: Извлечение общего подпространства для классификации по нескольким меткам. В: KDD 2008: 14-я Международная конференция ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, стр. 381–389. ACM, Нью-Йорк (2008)
Google Scholar
Менсия, Э.Л., Фюрнкранц, Дж.: Эффективная попарная многоуровневая классификация для крупномасштабных проблем в области права. В: Daelemans, W., Goethals, B., Morik, K. (ред.) ECML PKDD 2008, часть II. LNCS (LNAI), том. 5212, стр. 50–65. Спрингер, Гейдельберг (2008)
Перекрёстная ссылка Google Scholar
МакКаллум, А.К.: Классификация текста с несколькими метками со смешанной моделью, обученной EM. В: Семинар Ассоциации по развитию искусственного интеллекта по изучению текстов (1999)
Google Scholar
Надо, К., Бенжио, Ю.: Вывод для ошибки обобщения. Машинное обучение 52(3), 239–281 (2003)
CrossRef МАТЕМАТИКА Google Scholar
Петровский М.: Метод парных сравнений для решения многоэтапной задачи обучения. В: HIS 2006: Шестая международная конференция по гибридным интеллектуальным системам, с. 42. IEEE, Лос Аламитос (2006)
CrossRef Google Scholar
«>
Рид, Дж., Пфарингер, Б., Холмс, Г.: Классификация с несколькими метками с использованием ансамблей сокращенных наборов. В: ICDM 2008, стр. 995–1000. IEEE, Лос Аламитос (2008)
CrossRef Google Scholar
Шапир, Р.Э., Сингер, Ю.: Усовершенствованные алгоритмы бустинга с использованием прогнозов с оценкой достоверности. Машинное обучение 37(3), 297–336 (1999)
CrossRef МАТЕМАТИКА Google Scholar
Шапир, Р.Э., Сингер, Ю.: Boostexter: система категоризации текста на основе повышения. Машинное обучение 39 (2/3), 135–168 (2000)
CrossRef МАТЕМАТИКА Google Scholar
Сун, Л., Цзи, С., Йе, Дж.: Гиперграфическое спектральное обучение для классификации по нескольким меткам. В: KDD 2008: 14-я Международная конференция ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, стр. 668–676. ACM, Нью-Йорк (2008)
Google Scholar
Трохидис К., Цумакас Г., Каллирис Г., Влахавас И.: Многоуровневая классификация музыки по эмоциям. В: ISMIR 2008: 9-я Международная конференция по поиску музыкальной информации (2008)
Google Scholar
Цумакас, Г., Катакис, И.: Многоуровневая классификация: обзор. Международный журнал Data Warehousing and Mining 3(3) (2007 г.)
Google Scholar
Цумакас Г., Катакис И., Влахавас И.П.: Эффективная и действенная классификация с несколькими метками в доменах с большим количеством меток. В: ECML/PKDD 2008 Workshop on Mining Многомерные данные (2008)
Google Scholar
Цумакас Г., Влахавас И.П.: Случайные наборы k-меток: метод ансамбля для классификации с несколькими метками. В: Кок, Дж. Н., Коронацки, Дж., Лопес де Мантарас, Р., Матвин, С., Младенич, Д., Сковрон, А. (ред.) ECML 2007. LNCS (LNAI), vol. 4701, стр. 406–417. Springer, Heidelberg (2007)
CrossRef Google Scholar
Венс, К., Стройф, Дж., Шитгат, Л., Джероски, С., Блокил, Х.: Деревья решений для иерархической классификации с несколькими метками. Машинное обучение 2(73), 185–214 (2008)
Перекрёстная ссылка Google Scholar
Виттен И.Х., Франк Э.: Интеллектуальный анализ данных: практические инструменты и методы машинного обучения, 2-е изд. Морган Кауфманн, Сан-Франциско (2005)
МАТЕМАТИКА Google Scholar
Ян, Р., Тесич, Дж., Смит, Дж. Р.: Повышение подпространства на основе модели для классификации с несколькими метками. В: KDD 2007: 13-я Международная конференция ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных, стр. 834–843. ACM, Нью-Йорк (2007)
Google Scholar
Zhangand, M.-L., Zhou, Z.-H.: Алгоритм на основе k-ближайших соседей для классификации с несколькими метками. В: GnC 2005: Международная конференция IEEE по гранулярным вычислениям, стр. 718–721. IEEE, Лос Аламитос (2005)
Google Scholar

Ссылки на скачивание

Информация об авторе

Авторы и организации

Департамент компьютерных наук Университета Вайкато, Гамильтон, Новая Зеландия
Джесси Рид, Бернхард Пфарингер, Джефф Холмс и Эйбе Франк

Авторы

Джесси Рид
Просмотр публикаций авторов 90 003
Вы также можете искать это автор в PubMed Google Scholar
Bernhard Pfahringer
Посмотреть публикации автора
Вы также можете искать этого автора в PubMed Google Академия
Джефф Холмс
Просмотр публикаций автора
Вы также можете искать этого автора в PubMed Google Scholar
Eibe Frank
Просмотр публикаций автора
Вы также можете искать этого автора в PubMed Google Scholar

Информация для редакторов

Редакторы и филиалы

NICTA, Locked Bag 8001, Канберра, 2601, Австралия и Хельсинкский институт информационных технологий, Финляндия
Рэй Бунтин
Кафедра технологий знаний, Институт Йожефа Стефана, Ямова 39, 1000, Любляна, Словения
Марко Гробельник и Дуня Младенич и

Центр вычислительной статистики и машинного обучения Факультет компьютерных наук , University College London, Gower St.

Классификация цепных передач: Цепные передачи – описание, виды, плюсы и минусы — Статьи