智能化滚动轴承状态检测资料.docx
《智能化滚动轴承状态检测资料.docx》由会员分享，可在线阅读，更多相关《智能化滚动轴承状态检测资料.docx（39页珍藏版）》请在冰豆网上搜索。
智能化滚动轴承状态检测资料
智能化滚动轴承状态检测
院系：
班级：
姓名：
学号：
指导老师：
摘要：
轴承是各类机械设备中的常用部件，也是易损部件之一，轴承出现故障而得不到及时更换时，将可能影响整个机械装置的工作，所以对轴承进行状态监测，及时发现轴承的故障，将是十分必要的。
本文对轴承状态监测的流程及各流程的实现进行了较为详细的阐述，说明了进行轴承状态监测的意义及其技术的发展过程，之后介绍了状态监测的基本步骤及各个步骤的实现方法，最终完成对轴承状态的正确判断，并对此项技术进行了总结和拓展。
关键字：
滚动轴承；状态检测；神经网络
1绪论
1.1滚动轴承
滚动轴承（rollingbearing）是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。
滚动轴承图
滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成，内圈的作用是与轴相配合并与轴一起旋转；外圈作用是与轴承座相配合，起支撑作用；滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间，其形状大小和数量直接影响着滚动轴承的使用性能和寿命；保持架能使滚动体均匀分布，防止滚动体脱落，引导滚动体旋转起润滑作用。
滚动轴承结构图
滚动轴承的作用是支承转动的轴及轴上零件，并保持轴的正常工作位置和旋转精度，滚动轴承使用维护方便，工作可靠，起动性能好，在中等速度下承载能力较高。
与滑动轴承比较，滚动轴承的径向尺寸较大，减振能力较差，高速时寿命低，声响较大。
1.2滚动轴承常见故障与检测技术
滚动轴承常见故障
滚动轴承在运转过程中可能会由于各种原因引起故障，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致轴承过早失效。
即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和磨损而不能正常工作。
总之，滚动轴承的失效原因是十分复杂的，其主要失效形式与原因如下[6]。
（1）磨损失效
磨损是滚动轴承最常见的一种失效形式，是轴承滚道、滚动体、保持架、座孔或安装轴承的轴颈，由于机械原因或尘埃、异物等润滑杂质的侵入引起的表面磨损。
在工作环境恶劣的情况下，许多杂质会混杂在润滑油中，进入轴承，从而就会在滚动体和滚道上产生磨料磨损，在滚动体和滚道上出现不均匀的划痕。
磨料的存在，是轴承磨损的基本原因。
磨损的结果使轴承游隙增大，表面粗糙度增加，降低了轴承运转精度，因而也降低了机器的运动精度，振动及噪声也随之增大。
对于精密机械轴承，往往是磨损量限制了轴承的寿命。
（2）疲劳失效
疲劳是滚动轴承的另一种失效形式，常表现为滚动体或滚道表面剥落或脱皮。
初期是在表面上形成不规则的凹坑，以后逐渐延伸成片。
滚动轴承在工作时，由于滚动体与内、外圈接触面积很小，因此接触应力很大。
在高速旋转时，由于巨大交变接触应力多次反复作用，轴承元件金属表面就会发生疲劳，产生剥落，形成小凹坑。
造成剥落的主要原因是载荷引起的交变应力，有时是因为润滑不良或强迫安装。
（3）腐蚀失效
轴承表面的腐蚀主要是由下面三种原因造成的:
①润滑脂内含有水分或酸类，这些成分与轴承的表面金属发生化学反应，即化学腐蚀。
②轴承内圈、外圈滚道面或滚道面上有凹坑或洗衣板状条纹损伤，这是由于电流通过滚子和内圈、外圈接触面时击穿油膜，从而产生金属熔融现象，这种腐蚀称为电蚀。
③轴承内径和轴颈的配合过盈量不足，轴承在承受载荷时，由于发生弹性变形，在接触面间产生微小的滑动，出现褐色磨耗粉，这称为摩擦腐蚀。
（4）断裂失效
轴承零件的破断与裂纹主要是由于磨削或热处理引起的，也有的是由于运行时载荷过大、转速过高、润滑不良或装配不善，使轴承某个部位发生应力集中，产生裂纹，最后导致轴承元件断裂。
（5）压痕失效
压痕失效是由于轴承过载、撞击或异物进入滚道内使得滚动体或滚道表面上产生局部变形而出现的凹坑。
其原因主要是由于装配不当，有时也可能是过载或撞击造成的。
（6）胶合失效
胶合发生在滚动接触的两个表面间，为一个表面上的金属粘附到另一个表面的现象。
当滚子在保持架内卡住，由于润滑不良、速度过高和惯性力的影响，保持架的材料粘附到滚子端面上形成螺旋型污斑状的胶合。
（7）保持架损坏
由于装配或使用不当可能会引起保持架发生变形，增加它与滚动体之间的摩擦，甚至使某些滚动体卡死不能滚动，也有可能造成保持架与内外圈发生摩擦等。
这一损伤会进一步使振动、噪声与发热加剧，导致轴承损坏。
滚动轴承的检测技术
滚动轴承的故障诊断技术较多，主要有:
振动诊断技术、铁谱诊断技术、声学诊断技术、油膜电阻诊断技术和温度诊断技术等[7]。
（1）振动诊断技术
轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀时，轴承运行中会出现周期性的脉冲信号。
这种周期性信号可由安装在轴承座上的传感器（速度型或加速度型）来接收，通过对振动信号的分析来诊断轴承的故障，是现今采用最为广泛的方法。
（2）铁谱诊断技术
轴承磨损颗粒与其工作状况有密切的联系。
将带有磨损颗粒的润滑油通过一强磁场，在强磁场的作用下，磨粒按一定的规律沉淀在铁谱片上，铁谱片可在铁谱显微镜上做定性观察或在定量仪器上测试，据此判断轴承的工作状况。
铁谱诊断技术具有机器无需解体，投资低、效果好，能发现轴承的早期疲劳失效，可作磨损机理研究等特点。
这种方法适合于用润滑油润滑的轴承的故障诊断，对用脂润滑轴承较困难。
另外，这种方法易受其它非轴承损坏掉下的颗粒的影响。
所以，这种方法具有很大的局限性。
（3）油膜电阻诊断技术
润滑良好的轴承，由于油膜的作用，内、外圈之间有很大的电阻。
故通过测量轴承内、外圈之间的电阻，可对轴承的异常作出判断。
其特点是对不同的工况条件可使用同一评判标准，适用于旋转轴外露的场合，对表面剥落、压痕、裂纹等异常的诊断效果比较差。
（4）温度诊断技术
轴承若产生某种异常，轴承的温度会发生变化。
因此，根据温度的变化，可以对轴承故障进行诊断，但对异常判断的能力只能给予很低的评价。
温度监测对轴承载荷、速度和润滑情况的变化反映比较敏感，尤其对润滑不良而引起的轴承过热现象很敏感。
所以，用于这种场合比较有效。
但是，当轴承出现诸如早期点蚀、剥落、轻微磨损等比较微小的故障时，温度监测基本上没有反映，只有当故障达到一定的严重程度时，用这种方法才能监测到。
所以，温度监测不适用于点蚀、局部剥落等所谓的局部损伤类故障。
（5）声发射诊断技术
振动信号虽然能提供较多滚动轴承的故障信息，但是由于滚动轴承的信号比较复杂，故障信号与正常振动信号混在一起，为了提取滚动轴承的故障信息，不得不采用比较复杂的监测诊断系统，信号处理技术要求较高，这在某种程度上使滚动轴承的故障诊断应用受到了限制。
另外，对于工作在低速及超低速的轴承（如起重机和微波天线转盘的支承轴承），用传统的振动监测法（0～20kHz范围内）难于奏效，而采用声发射技术（在100～300kHz范围内）往往可以收到良好的效果。
另外，使用声发射技术不但能监视疲劳裂纹的扩展情况，同时还能监测滚动表面间的摩擦状况。
此外，新的监测技术不断出现并应用于滚动轴承的工况监测和诊断中，如声发射技术、光纤监测技术等等。
但是由于种种原因和局限性，这些技术离真正普及应用于实际的滚动轴承诊断还有一段距离。
1.3滚动轴承诊断技术的发展现状
早期人们对滚动轴承的故障诊断是依靠听觉来加以判断，虽然熟练的技术员工能觉察到轴承刚发生的疲劳剥落与损伤部位，但受主观因素的影响较大。
真正意义上的滚动轴承的监测与诊断开始于20世纪60年代[3]，人们用振动位移、速度或加速度的均方根值或峰值来判断轴承有无故障，这样减少了对人为经验的依赖。
几十年来，故障诊断技术不断吸收各门科学技术发展的新成果，诊断的理论与应用有了很大的发展和进步，它涉及系统论、控制论、信息论、检测与估计理论、计算机科学等多方面的内容，成为集许多相关专业学科于一体的新兴交叉学科。
如G.K.ChaturvediandD.W.Thomas利用自适应降噪技术（ANC）使得统计分析及谱分析对滚动轴承的故障诊断更加有效。
J.P.Dron等利用时序分析建立了高分辨率的滚动轴承故障监测方法.D.Ho与R.B.Randall将ANC技术与包络分析相结合，大大降低了噪音影响，更加有效地提取出轴承故障特征信号[4]。
国内对滚动轴承的工况监测与故障诊断的广泛研究基本上是从80年代才开始的[5]。
虽然起步较晚，但经过很多高校、研究所和工厂广大科技人员的努力，在滚动轴承的故障诊断、系统开发等方面己取得很大进步。
自1985年来，由中国设备管理协会设备诊断委员会、中国振动工程学会机械故障诊断分会和中国机械工程学会设备维修分会分别组织的全国性故障诊断学术会议以先后召开多次，极大地推动了我国故障诊断技术的发展。
研究的主要方面是基于振动信号的共振解调技术。
其中，航空航天部608所的唐德尧教授等人于1984年开发成功基于共振解调原理的JK8241齿轮轴承故障分析仪，既而于1990年开发成功专用于铁路货车轮对轴承故障诊断的JK86411自动试验系统。
此诊断系统适用于铁路货车轮对滚动轴承的不解体故障诊断，提高了检验速度与诊断可靠性，节约了维修费用与备件损耗，提高了铁路车辆的运行可靠性和维修的经济效益。
另外，南京航空航天大学振动所赵淳生教授等人针对轧钢机系列轴承的特殊性相继开发了轴承故障诊断系统，也已成功地应用于轧钢机系列轴承的在线故障诊断。
其基本原理也是共振解调技术。
相比较而言，国内滚动轴承的诊断与国外相比还有一定的差距，对滚动轴承实效机理、实效过程的研究不够、不深入。
1.4滚动轴承状态检测的意义
滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它们在旋转机械中起着关键的作用，旋转机械的故障30%是由滚动轴承故障引起的，其运行状态的正常与否直接影响到整台机器的性能（包括精度、可靠性及寿命等）[1]。
据统计，仅有10-20%的轴承达到他们的设计寿命。
大量实验证明，滚动轴承的疲劳寿命是非常离散。
在相同的实验条件下，结构设计、材质、加工方法相同的同一批轴承，其最长与最短的寿命可能相差数十倍甚至上百倍。
由于轴承的这个特点，在实际使用中就出现这样一种情况，即有的轴承己大大超过设计寿命而依然完好地工作，而有的轴承远未达到设计寿命就出现各种故障。
所以，如果按照设计寿命对轴承进行定期维修，一方面，会对超过设计寿命而完好工作的轴承拆下来作为报废处理，造成浪费;另一方面，未达到设计寿命而出现故障的轴承或者坚持到定期维修时拆下来报废，使得机器在轴承出现故障后和拆下前这段时间内工作精度下降，或者未到维修时间就出现严重故障，导致整个机器出现严重事故[2]。
由此看来，对重要用途的轴承来说定时维修是很不科学的，要进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，这不但可以防止机械工作精度下降，减少或杜绝事故发生，而且可以最大限度地发挥轴承的工作潜力，节约开支，具有重要意义。
2智能化——人工神经网络
2.1神经网络的概述
神经网络是生命科学与工程科学相互关联，相互交叉，相互促进的一门科学。
神经元网络从人脑的生理学和心理学着手，通过人工模拟人脑的工作机理来实现机器的部分智能行为，是信息处理中的一种崭新的方法。
神经网络以非线性为基础，模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射等能力，具有高度的学习联想能力。
目前神经网络己经在智能控制、模态识别、非线性优化、自适应滤波、语音识别、机器人工程、生物医学等领域获得了广泛的应用[6]。
2.2BP神经网络
BP（BackPropagationNetwork）神经网络是目前应用最为广泛和成功的神经网络之一，它是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接。
BP神经元有n个输入，每个输入都通过一个适当的权值
（i=1，2，…，n）连接到神经元节点上。
输出函数为
，S即为全部输入的加权值求和，
，并且S作为激活函数f的输入，激活函数的另一个输入是神经元的阈值
。
BP神经元的具体模型:
神经元模型图
BP网络是一种具有三层或三层以上（其中中间层或隐层可以含多层）神经元组成的神经网络，包括输入层、中间层（隐层）和输出层，其具体结构图：
BP神经网络结构图
该网络为单向网络，网络分为不同层次的节点集合，每一层节点输送到下一层节点，本层节点之间没有连接。
上层输出的节点值被连接权值放大、衰减或抑制。
网络的训练学习过程由两部分组成：
前向计算和误差反向传播计算。
在正向传播过程中，输入信息从输入层经隐层逐层处理并向输出层，每一层神经元的状态仅影响下一层神经元的状态，如果在输出层得不到期望的输出，则将误差反向传入网络，并向输入层传播，通过修改各层神经元的状态权值使得误差信号最小。
随着误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。
2.3输入层、输出层和隐层的设计
输入的神经元可以根据需要求解的问题和数据表示方式确定。
在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值的个数。
输出层的维数可根据设计者的要求确定，在故障诊断中，一般将BP网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m。
隐层的神经元个数选择是一个较为复杂的问题，往往需要设计者多次试验来确定，因而不存在一个理想的解析式来表示。
隐层单元的个数与问题的要求、输入/输出单元的数目都有着直接关系。
隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有见到的样本等问题，因此一定存在一个最佳的隐层单元数。
以下三个公式可作为选择最佳隐层单元数时的参考公式：
，
，
，
其中
是输入层神经元数，
是隐层神经元数，m是输出神经元数，n是输入神经元数，a是[1,10]之间的常数。
2.4BP神经网络的识别和测试
首先将已进行归一化的特征值作为BP神经网络的基础，设计BP神经网络，确定其各个参数。
然后建立神经网络并对其进行训练，从而实现模式识别。
2.4.1神经网络识别
1、输入层和输出层的选择
在轴承状态监测过程中，样本数据来源于实验数据分析后提取的有效特征值。
所以网络输入神经元个数为11；网络输出为轴承状态，分为正常轴承和故障轴承，用（01）表示故障轴承，（11）表示正常轴承，因此网络中只设计2个输出神经元表示这2个状态。
综上所述，该BP网络输入层有11个神经元，输出层有2个神经元。
2、隐层的选择
对于轴承的不同状态进行识别，建立神经网络对它进行训练，用前面提到的公式来确定隐层个数，由于输入为11个神经元，输出为2个神经元，由参考公式可知隐层神经元在23左右。
我们设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目，隐层神经元在20～26之间进行比较。
3、训练参数选择
设定网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。
由此得网络训练代码如“程序2-1”，得到结果：
隐层神经元个数
20
21
22
23
24
25
26
网络误差y1
0.12452
0.1323
0.1456
0.1145
0.1327
0.1418
0.1421
网络训练误差表
此表表在经过1000次的训练后，隐层神经元个数为20的BP网络对函数的逼近效果最好，因为它的误差最小所以这里将网络隐层的神经元数目设定为20。
确定隐层神经元个数后可以确定BP网络的最终结构为：
网络结构
隐层神经元个数
训练函数
目标误差
输入神经元个数
输出神经元个数
BP三层网络
22
trainlm
0.001
11
2
BP神经网络结构表
以最终确定的神经网络进行网络训练，训练程序代码如“程序2-2”。
由输出结果可知，训练误差为0.000957049，训练步数为42步。
网络训练误差图
蓝线为实际训练线，黑线为设定的目标误差线。
2.4.2神经网络测试
在时频域有效的特征值得到了神经网络，需对神经网络进行测试，判断其是否能正确地实现模式识别的功能。
网络测试程序见“程序2-3、2-4”，随机选取正常轴承数据Z3015和故障轴承数据G2515进行测试。
得到结果正常轴承Z3015,y=0.01080.9559；
故障轴承G2515,y=0.98000.9747。
设计时的预期结果正常轴承,y=01；
故障轴承,y=11。
由测试结果数据的分类完全正确，也就是说前面建立起来的网络对轴承状态的模式识别是完全正确的。
以后进行模式识别时，只要将测得的数据输入这个网络就可以根据它的输出结果正确的识别出轴承的状态。
3滚动轴承的状态检测
当滚动轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀时，轴承运行中会出现周期性的脉冲信号。
这种周期性信号可由安装在轴承座上的传感器（速度型或加速度型）来接收，将传感器测取的滚动轴承振动信号接入电荷放大器进行信号放大，再通过A/D卡转换为计算机可以识别和处理的数字信号并接入计算机，在计算机上利用Matlab编程实现以下功能：
通过时域和频域分析提取有效特征向量，利用BP神经网络进行模式识别判断故障类型（故障轴承或正常轴承），从而实现滚动轴承智能化故障诊断。
状态检测系统构成图
3.1滚动轴承状态监测的硬件设备
实现状态监测的硬件设备为实现振动信号采集部分的设备部分。
A/D
信号采集系统框图
由框图可知，滚动轴承振动信号的采集过程：
首先滚动轴承实验平台上的电动机运转（由变频器控制运转速度），由联轴器带动滚动轴承转动，然后通过加速度传感器采集轴承工作时的振动信号，通过电荷放大器将振动信号放大，最后用数据采集卡采集信号后通过A/D转换将模拟信号转换成数字信号送入计算机进行处理。
1、智能化滚动轴承状态监测实验平台，主要由异步电机、滚动轴承座、联轴器、减速器和磁粉制动器五部分组成。
（1）异步电机：
工作时可以通过联轴器带动滚动轴承转动。
此外电动机和变频器相连接，可以利用变频实现对异步电机转速的控制。
（2）变频器：
主要用于控制电机的转速，实现滚动轴承在不同工作状态下振动信号的采集。
（3）滚动轴承座：
用于安放滚动轴承。
由于滚动轴承座上表面是圆弧形，无法安装传感器，所以对滚动轴承座上表面进行铣处理，使传感器可以通过底盘的磁铁牢固地吸附在滚动轴承座上。
（4）磁粉制动器：
与其匹配电源连接，电源打开，滚动轴承受到相应的负载作用；电源关闭，滚动轴承处于空转状态。
通过对电源的控制，实现滚动轴承工作状态的改变。
（5）联轴器：
用于在同一工作轴上连接各器件。
2、传感器：
采集滚动轴承的振动信号，要求频带的比较宽，此处采用加速度传感器，结构简单、高灵敏度、低漂移。
3、电荷放大器：
电荷放大器在数据采集过程中起着重要的作用。
采集到的振动信号往往比较微弱，需要对微弱信号进行放大处理，同时改善输入计算机的信号的信噪比。
3.3滚动轴承状态监测的软件设备
滚动轴承故障状态监测的软件设备所采用的软件平台是用VC++和MATLAB软件编译的。
其中VC++软件主要用于前期滚动轴承振动信号采集软件的设计以及智能化滚动轴承状态监测界面的设计，而MATLAB主要用于实现信号时域、频域的分析以及神经网络相关的算法实现。
4数据采集及信号预处理
信号采集系统框图的硬件设备获得正常轴承与故障轴承在不同工况下的振动信号。
获得数据为：
正常轴承Z2015、Z2515、Z3015、Z20610、Z25610、Z30610，故障轴承G2015、G2515、G3015、G20610、G25610、G30610。
选取Z2015与G2015的原始数据进行分析。
用附录“程序3-1”，可得Matlab时频图3-1、3-2、3-3、3-4。
Z2015时间-幅值图（图3-1）
G2015时间-幅值图（图3-2）
Z2015频率-幅值图（图3-3）
G2015频率-幅值图（图3-4）
由图3-1和图3-2对比可以发现故障轴承的时域图中幅值的变化较正常轴承要大。
由于原始数据处理得到的频谱图中有低频的直流分量，所以为减小误差，便于进行频谱分析，须对原始数据进行零均值化处理。
零均值化处理又称中心化处理。
信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在
处的冲激函数，因此若不去除均值，在作信号谱分析时，将在
处出现一个大的谱峰，并会影响在
左右处的频谱曲线，使它产生较大的误差。
设采样数据为
（n=1，2，…，N），其均值通过下式计算：
，用下式进行零均值化处理：
，处理后，
就变为一个均值为零的新信号（n=1，2，…，N）。
具体Matlab程序见“程序3-2”。
以Z2015数据为例：
Z2015时域图（零均值化前）图3-5
Z2015时域图（零均值化后）图3-6
Z2015频域图（零均值化前）图3-7
Z2015频域图（零均值化后）图3-8
从时域图3-5和图3-6对比可以看出，零均值化处理后，信号值在0附近上下波动，便于做时域分析；从频域图3-7和图3-8对比看出，零均值化处理可以消除在
处出现一个由直流分量产生的大的频率谱峰，避免了其对周围小峰值产生的负面影响，便于进行频域分析。
4.1信号时域分析及特征提取
在采集到的原始信号进行零均值化处理后，对得到的新信号进行时域分析，做出时域时间幅值图，例如图3-5。
要实现有效的滚动轴承模式识别，许提取有效的有区别性的时域、频域信号特征，从而建立神经网络进行训练。
一般时域特征提取有量纲量：
均值、方差、均方根和峰值，无量纲量：
峰值因子、峭度系数、波形因子、脉冲因子和裕度因子。
均值：
，表示随机过程的中心趋势，随机过程都是围绕着它聚集和波动，是随机过程的静态分量。
均值用于故障诊断的优点是检测值较峰值稳定。
方差：
，描述了随机过程在均值周围的散布程度，是随机过程的动态分量。
均方根值：
，反映了信号下x（t）相对于零值的波动情况，表示信号的平均能量。
峰值：
，是信号最大的瞬时幅值，反映信号的强度。
它对瞬时现象也可以得出正确的指示值，适用于表面点蚀之类的具有瞬时冲击的缺陷诊断。
峰值因数：
，表示波形是否有冲击的指标。
峰值因数不受振动信号的绝对水平所影响，所以传感器的灵敏度即使有变动，也不会出现测量误差。
峭度系数：
，是表示轴承工作表面出现疲劳故障时，每转一周，工作面缺陷处产生的冲击脉冲，故障越大，冲击响应幅值越大，故障现象越明显。
波形因子：
。
脉冲因子：
，对于冲击脉冲类缺陷比较敏感，特别是出现早期缺陷时，它有明显增加;当上升到一定程度后，随着缺陷的逐渐发展，反而会下降。
裕度因子：
。
由各指标的定义编程得程序3-3，计算可得。
状态
样本
时域特征值
均值（
）
方差
均方根RMS
峰值peak
峰值因子C
峭度系数K
波形因子S
脉冲因子I
裕度因子CL
正常轴承
Z2015
3.2994
10778.1
1.0187
1.8700
1.7141
0.4100
0.4121
0.7023
0.0844
Z2515
3.8908
10166.5
1.0232
1.8205
1.7869
0.4036
0.4118
0.7358
0.0884
Z3015
0.8365
10242.7
1.1071
1.8080
1.6959
0.4017
0.4107
0.6965
0.0835
Z20610
-2.1579
10
升级会员 