滚动轴承故障范文

滚动轴承故障范文（精选12篇）

滚动轴承故障 第1篇

滚动轴承的故障表现主要有以下几种:

1. 沟道单侧极限位置剥落

轴承沟道单侧极限位置剥落主要表现在沟道与挡边交界处有严重的剥落环带, 其产生的原因是轴承安装不到位或运转过程中突发轴向过载。预防措施是确保轴承安装到位或将自由侧轴承外圈配合改为间隙配合, 以使轴承在承受过载时使轴承得到补偿。

2. 沟道在圆周方向呈对称位置剥落

轴承的对称位置剥落表现在内圈为周围环带剥落, 而外圈呈周向对称位置剥落 (即椭圆的短轴方向) , 其产生的原因主要是因为外壳孔椭圆过大或两半分离式外壳孔结构。当轴承压入椭圆偏大的外壳孔中或两半分离式外壳固紧时, 使轴承外圈产生椭圆, 在短轴方向的游隙明显减少甚至为负游隙。轴承在载荷的作用下, 内圈旋转产生周向剥落痕迹, 外圈只在短轴方向的对称位置产生剥落痕迹。经对该轴承失效件检验表明, 该轴承外径圆度已从原工艺控制的0.8μm变为27μm。此值远远大于径向游隙值。因此, 可以肯定该轴承是在严重变形及负游隙下工作的, 工作面上易早期形成异常的急剧磨损与剥落。采取的措施是提高外壳孔加工精度或尽可能不采用外壳孔两半分离结构。

3. 滚道倾斜剥落

在轴承工作面上呈倾斜剥落环带, 说明轴承是在倾斜状态下工作的, 当倾斜角达到或超过临界状态时, 易早期形成异常的急剧磨损与剥落。产生的原因主要是安装不良、轴有挠度、轴颈与外壳孔精度低等, 采取的措施为确保轴承安装质量与提高轴肩、孔肩的轴向跳动精度。

4. 套圈断裂

套圈断裂失效一般较少见, 往往是突发性过载造成。产生的原因较为复杂, 如轴承的原材料缺陷 (气泡、缩孔) 、锻造缺陷 (过烧) 、热处理缺陷 (过热) 、加工缺陷 (局部烧伤或表面微裂纹) 、主机缺陷 (安装不良、润滑贫乏、瞬时过载) 等, 一旦受过载冲击负荷或剧烈振动均有可能使套圈断裂。采取的措施为避免过载冲击载荷、选择适当的过盈量、提高安装精度、改善使用条件及加强轴承制造过程中的质量控制。

5. 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。预防措施是采取正确的安装方法, 安装时勿直接锤击轴承端面和非受力面, 应使用安装工具使轴承均匀受力, 勿通过滚动体传动力安装, 可采取涂润滑脂或用矿物油加热轴承的方法使安装更加顺利等。

6. 锈蚀

轴承的寿命与故障 第2篇

寿命分类：疲劳寿命、磨损寿命、故障寿命、使用寿命，

1、疲劳寿命：轴承主要运动件的材质达到极限，造成轴承失效之前的累计时间。

1)额定动荷：寿命为10000转时，轴承能承受的负荷。

2)当量动负荷：指轴承的实际负荷按照确定动负荷的运转条件进行转换了的假定负荷，

2、磨损寿命：轴承由于正常磨耗，游隙增大到规定限度之前的累计工作时间。就当今轴承工业水平而言，应磨损寿命，但实际上牵引电动机恰恰相反。进口泵 阀门

3、故障寿命：轴承发生故障，丧失工作能力之前的累计工作时间。

滚动轴承故障 第3篇

(1．三明学院机电工程学院， 福建 三明 365004；2．上海师范大学信息与机电工程学院，上海 200234)

引 言

滚动轴承振动信号具有周期重复和调制的特点，表现出明显的非平稳和非高斯特性，不适合用传统的功率谱方法分析。双谱分析能处理非平稳和非高斯随机系列，且理论上能完全抑制高斯噪声，在旋转机械故障诊断中得到了广泛的应用。

双谱故障诊断可以划分成谱图法和智能诊断法。谱图法寻找谱图峰值与不同故障类型之间对应关系，最常用的是切片谱，如水平切片、对角切片和中心频率切片[1～3]；或者是计算切片谱的倒谱[4,5]，将成簇谱线简化为单根谱线后寻找故障频率。也有依据双谱的谱峰频率辨别故障类型、并通过纹理特征来判别故障程度的研究成果报道[6]。此外，基于滚动轴承振动信号模型的双谱理论研究表明三阶累积量中不包含故障频率，而双谱中能发现故障特征频率，是因为实际计算时使用时间平均来代替均值[7]。

双谱智能故障诊断由特征提取和模式识别两个环节构成。特征提取方面，分别使用了双谱二值图[8,9]、切片能量[10]、等分区域能量[11]以及灰度共生矩阵[12]等特征参数；模式识别方面，最近邻模板分类器[8,9]、支持向量机[10]、人工神经网络[11,12]等方法都成功地辨识出不同的故障类型。从查询到的资料来看，当前双谱故障诊断研究都基于固定工况情形，还没有考虑工程实践中常见的载荷变化和转速扰动等因素的影响。

实现工况鲁棒的智能故障诊断，首要任务是获得工况鲁棒的特征参量。研究发现双谱的幅值及分布特性在不同轴承状态时具有较大差异性，在轴承状态相同但工况不同时具有较大的相似性。使用主成分分析(PCA)方法提取特征参数，通过线性变换将双谱投影到低维数据空间[13]，继承了双谱的特性并提取出工况鲁棒的特征向量。故障辨识使用连续型隐马尔可夫模型，其观察向量“可见”和状态“不可见”的特点，与故障辨识时依据特征向量判断内在故障类型的要求吻合；此外，隐马尔可夫模型独有的双随机特性，适合从重复再现性不佳的故障信息中判别轴承状态[14]，能适应载荷及转速波动引起的特征参量扰动。

1 滚动轴承振动信号双谱分析

1.1 双谱定义和估计

随机序列s(n)，其双谱定义为三阶累积量的二维傅立叶变换

(1)

式中C3(τ1,τ2)为s(n)的三阶累积量。实际计算时使用有限长度的观察序列，用直接或间接方法估计双谱[15]。

1.2 滚动轴承振动信号双谱特性

轴承振动经过一定的传输路径后才能到达传感器位置。轴承状态不同，其振动激励的位置也不相同，振动传输路径也不一致。因此，振动信号因轴承状态而异，导致双谱幅值和分布特性存在差异，不同轴承状态双谱如图1(a)，(b)，(c)，(d)所示(零载荷，0.177 8 mm故障点直径)。

若轴承状态相同但工况(载荷、转速)不同，可看成是振动激励的位置和传输路径相同，但激励强度和激励频率存在扰动，此时双谱存在一定的相似性。0.177 8mm滚动体故障在4种工况下的双谱如图1(b)和图2(a)，(b)，(c)所示。

图1 不同轴承状态双谱

图2 不同工况的滚动体故障双谱

双谱的上述特性，适合用模式识别方法判别不同的轴承状态，也为工况鲁棒故障诊断研究提供了相应的途径。

2 基于PCA的特征向量提取

主成分分析是统计降维方法，通过保留方差较大的主成分而忽略其他成分，在损失较少信息的前提下大幅度地降低数据维数。

双谱幅值可看成是一个L×L维的向量，记为X=[x1,x2,…,xL]，其中xl(l=1,2,…,L)为第l个切片谱的幅值向量。向量X的协方差矩阵定义为

(2)

RX=UΣUT

(3)

式中Σ为一对角阵，其元素称为协方差矩阵RX的特征值。特征矩阵U的每一列与Σ中相应列的特征值对应，称为RX的一个特征向量。

从Σ中选择K个较大的特征值，再从U中选出与其相对应的特征向量，并将特征向量依特征值的降序排列，构成变换矩阵Φ为

Φ=[Φ1,Φ2,…,Φk]

(4)

式中Φk(k=1,2,…,K)为第k个特征值对应的特征向量，Φ为L×K维的矩阵。

借助变换矩阵Φ，将L×L维的双谱幅值向量X映射成K×L维的主成分向量Xp为

Xp=ΦTX

(5)

主成分分析通过线性变换将数据映射到低维空间，获得的主成分向量Xp能继承双谱的原有特性，提取到工况鲁棒的特征向量。

主成分数目K依特征值累积贡献率确定[16]

(6)

式中λi为第i个特征值，通过预先设定的Pk值确定需要选择的特征值个数。

3 基于连续型隐马尔可夫模型的故障辨识

对双谱主成分向量Xp各元素取模，得到观察向量O，其构成元素称为隐马尔可夫模型的观察符号。依聚类原理将观察符号分成多个类别，每一类别代表隐马尔可夫模型的一个状态，多个状态构成状态集S为

S={S1,S2,…,SN}

(7)

式中N为状态个数。模型初始时刻，状态特性用初始概率分布矩阵表征

π=[π1,π2,…,πN]

(8)

元素πi表示状态的初始分布概率，定义为

(9)

模型状态随观察向量的变化而发生改变，其过程用状态转移概率矩阵表征

(10)

式中aij表示从状态i转移到状态j的概率，定义为

aij=P(qt=Sj|qt-1=Si),

(11)

式中qt表示t时刻的状态。

转移概率aij不能直接观察，但能用观察符号概率间接表征。连续型隐马尔可夫模型用高斯混合方法合成观察符号概率

(12)

上式表示观察符号Ot属于状态j的概率。其中cjm为混合权系数，M为混合个数，N个状态的混合权系数构成混合权矩阵C；μ和U分别为混合均值矩阵和混合协方差矩阵，η为一高斯概率密度函数。

隐马尔可夫模型训练使用最大期望算法，依据观察向量进行多次迭代运算并确定最优参数。训练好的隐马尔可夫模型由5组参数表征[17]

λ=(A,π,C,μ,U)

(13)

故障辨识阶段，待辨识的观察向量分别输入不同轴承状态的隐马尔可夫模型并计算似然概率P(O|λ)，取值最大的模型状态被识别为待辨识的轴承状态。

4 实验研究

4.1 实验数据

使用凯斯西储大学轴承研究中心数据，为电机驱动端轴承的振动加速度信号，型号是6205-2RS。用电火花在滚动体、内圈和外圈位置加工点蚀故障，以模拟不同的故障类型。每种故障类型都有3种不同的故障程度，故障点直径分别为0.177 8，0.355 6和0.533 4 mm。

电机分4种工况运行，分别采集不同工况、不同故障程度下的轴承正常状态、滚动体故障、内圈和外圈故障信号。信号采样频率为12 kHz，加速度传感器用磁力吸座安装在轴承正上方(12点钟位置)电机外壳上。

电机4种工况的轴向载荷和转速如表1所示。

表1 电机运行参数

4.2 实验流程及参数设置

4.2.1 故障诊断流程

故障诊断分模型训练和故障辨识两个阶段。模型训练使用Baum-Welch算法[17]，通过迭代运算确定观察向量的5组模型参数值；故障辨识阶段，将状态未知的观察向量输入各诊断模型并计算似然概率，取值最大的模型状态被判别为待诊断的轴承状态。训练数据和辨识数据没有重叠，诊断流程如图3所示。

图3 故障诊断流程图

4.2.2 参数设置

实验过程参数设置如下：

(1)双谱：用直接法估计，观察序列长度取1 024个数据点，使用256点数据片段，各片段重复度为75%，频域用宽度为5的Rao-Gabr窗平滑；

(2)主成分分析：特征值累积贡献率Pk常规故障诊断时设为60%，工况鲁棒诊断设为85%，对应的主成分个数为8和16，提取出256×8和256×16维的特征向量；

(3)连续型隐马尔可夫模型：状态和混合个数都设为2，模型初始参数在各自的取值范围内随机赋值，收敛门限值和最大迭代次数分别设为0.001和50。

4.3 实验结果

4.3.1 常规故障诊断

实验分12组进行，每组对应一类故障程度下的一个运行工况。每一种轴承状态，都用1 000个观察向量验证模型诊断效果，正确识别的观察向量数目与输入个数之间的比值称为辨识精度，结果如表2所示。

4.3.2 工况鲁棒故障诊断

工况鲁棒故障诊断使用工况1数据训练的模型来辨识其他3种工况的未知轴承状态，其训练数据和辨识数据之间具有载荷不同和转速波动的特点。实验依故障程度不同分3组进行，每种轴承状态用1 000个特征向量验证辨识精度，结果如表3～5所示。

工况鲁棒故障诊断，虽然使用较多的主成分个数，但辨识精度要比常规故障诊断的低。原因是训练数据与辨识数据来源于不同工况，特征向量受载荷及转速变化的干扰，影响了辨识精度；此外，0.177 8 mm鲁棒诊断的辨识精度优于其他两种故障程度，原因是后者故障点直径较大，产生的振动冲击能量更强，激起的机械振动也更复杂，在特征向量中产生了更大的干扰，导致模型辨识能力下降。

表2 辨识精度/%

表3 0.177 8 mm鲁棒诊断辨识精度/%

表4 0.355 6 mm鲁棒诊断辨识精度/%

表5 0.533 4 mm鲁棒诊断辨识精度/%

表5中的滚动体故障辨识精度在工况2时明显比其它两种工况的低。从训练数据和辨识数据的双谱差异程度来分析原因。

图4(a)为训练数据双谱，图4(b)，(c)和(d)为3种工况的辨识数据双谱。从幅值来看，工况1，3和4处于同一数量级(标度为10-4)，而工况2差异较大(标度为10-3)；从分布特性来看，工况3和工况1相似度较大，而工况2，4和工况1之间存在一定差异。双谱差异引起特征向量扰动，工况2时受幅值和分布特性双重扰动影响，工况3和工况4幅值扰动较小，且工况3分布特性扰动最小。因而0.533 4 mm故障程度下的鲁棒故障诊断辨识精度在工况2时最低，工况4较高，工况3时最高。

图4 0.533 4 mm滚动体故障在4种工况下的双谱

5 结 论

(1) 双谱能有效表征滚动轴承运行状态信息，在不同故障类型时具有明显差异性，在相同故障但工况不同时具有较高相似性。

(2) PCA能在继承数据原有特性基础上大幅度降低双谱维数，是一种可靠的数据降维方法。

(3) HMM能满足参数扰动情形下的故障辨识，是一种鲁棒的模式识别工具。

(4) 载荷鲁棒故障诊断仅使用工况1数据的模型，任意模型的工况鲁棒故障诊断方法，还有待于进一步研究。

参考文献：

[1] Zhou Y, Chen J, Dong G M, et al. Application of the horizontal slice of cyclic bispectrum in rolling element bearings diagnosis[J]. Mechanical Systems and Signal Processing, 2012, 26: 229—243.

[2] 张琳，黄敏. 基于EMD与切片双谱的轴承故障诊断方法[J]. 北京航空航天大学学报，2010，36(3): 287—290.ZHANG Lin, WANG Min. Fault diagnosis approach for bearing based on EMD and slice bi-spectrum[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(3): 287—290.

[3] 周宇，陈进，董广明，等. 基于循环双谱的滚动轴承故障诊断[J]. 振动与冲击，2012, 31(9): 78—81.ZHOU Yu, CHEN Jin, DONG Guang-ming, et al. Fault diagnosis of rolling element bearing based on cyclic bispectrum[J]. Journal of Vibration and Shock, 2012, 31(9): 78—81.

[4] 李辉，郑海起，潘宏侠. 基于阶次倒双谱分析的滚动轴承故障诊断方法[J]. 中北大学学报(自然科学版)，2008, 29(5): 439—444.LI Hui, ZHENG Hai-qi, PAN Hong-xia. Order bipsectrum based fault diagnosis method for roller bearing[J]. Journal of North University of China( Natural Science Edition), 2008, 29(5): 439—444.

[5] 李辉，郑海起，唐力伟. 基于倒双谱分析的轴承故障诊断研究[J]. 振动、测试与诊断, 2010, 30(4): 353—356.LI Hui, ZHENG Hai-qi, TANG Li-wei. Application of bi-cepstrum technique to bearing fault detection[J]. Journal of Vibration, Measurement & Diagnosis, 2010, 30(04): 353—356.

[6] 林勇，周晓军，张文斌，等. 基于形态小波理论和双谱分析的滚动轴承故障诊断[J]. 浙江大学学报(工学版), 2010, 44(3): 432—439.LIN Yong, ZHOU Xiao-jun, ZHANG Wen-bin, et al. Rolling bearing fault diagnosis based on morphological wavelet theory and bi-spectrum analysis[J]. Journal of Zhejiang University (Engineering Science), 2010, 44(3): 432—439.

[7] Hernández Montero F E, Caveda Medina O. The application of bispectrum on diagnosis of rolling element bearings: A theoretical approach[J]. Mechanical Systems and Signal Processing, 2008, 22(3): 588—596.

[8] 李学军，蒋玲莉，杨大炼，等. 基于双谱分布区域的齿轮聚类分析与故障诊断[J]. 振动工程学报, 2011, 24(3): 304—308.LI Xue-jun, JIANG LING-li, YANG Da-lian, et al. Cluster analysis and fault diagnosis for gear based on bispectrum distribution[J]. Journal of Vibration Engineering, 2011, 24(3): 304—308.

[9] Jiang L, Liu Y, Li X, et al. Using bispectral distribution as a feature for rotating machinery fault diagnosis[J]. Measurement, 2011, 44(7): 1 284—1 292.

[10] 李凌均，韩捷，李朋勇，等. 基于矢双谱的智能故障诊断方法[J]. 机械工程学报, 2011, 47(11): 64—68.LI Ling-jun, HAN Jie, LI Peng-yong, et al. Intelligent fault diagnosis method based on vector-bispectrum[J]. Journal of Mechanical Engineering, 2011, 47(11): 64—68.

[11] 黄晋英，潘宏侠，毕世华，等. 基于高阶累量谱的轴承故障诊断[J]. 火炮发射与控制学报, 2007(2): 56—59.HUANG Jin-ying, PAN Hong-xia, BI Shi-hua, et al. Bearing fault diagnosis based on high-order cumulant spectrum[J]. Journal of Gun Launch & Control, 2007, (2): 56—59.

[12] 林勇，胡夏夏，朱根兴，等. 基于振动谱图像识别的智能故障诊断[J]. 振动、测试与诊断, 2010, 30(2): 175—180.LIN Yong, HU Xia-xia, ZHU Gen-xing, et al. Intelligent fault diagnosis using image recognition of vibration spectrogram[J]. Journal of Vibration Measurement & Diagnosis, 2010, 30(2): 175—180.

[13] Park M S, Choi J Y. Theoretical analysis on feature extraction capability of class-augmented PCA[J]. Pattern Recognition, 2009, 42(11): 2 353—2 362.

[14] 张锐戈，谭永红. 基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断[J]. 振动与冲击, 2012, 31(12): 5—8.ZHANG Rui-ge, TAN Yong-hong. Fault diagnosis of rolling element bearings based on optimal Morlet wavelet and hidden Markov models[J]. Journal of Vibration and Shock, 2012, 31(12): 5—8.

[15] Yang D M, Stronach A F, Macconnell P, et al. Third-order spectral techniques for the diagnosis of motor bearing condition using artificial neural netwroks[J]. Mechanical Systems and Signal Processing, 2002, 16(2/3): 391—411.

[16] He Q, Yan R, Kong F, et al. Machine condition monitoring using principal component representations[J]. Mechanical Systems and Signal Processing, 2009, 23(2): 446—466.

滚动轴承故障诊断与分析 第4篇

滚动轴承是转动设备重要组成之一, 它的运行状况往往关系到转动设备是否能稳定运行。因此, 转动设备的日常维保项目中, 确认轴承运行状况是必不可少的。通过状态监测及故障诊断技术可以有效监控滚动轴承运行状况, 提高设备运行可靠性, 确保装置稳定生产。

亚东石化 (上海) 有限公司从2006年开展状态监测工作, 目前对装置内大部分转动设备都有定期监控, 根据转动设备在装置中所处的重要性, 制定监测计划, 定期采集振动数据, 并加以分析, 确认转动设备运行状况, 根据故障的发展趋势提前准备检修计划。

二、滚动轴承故障诊断分析

1. 滚动轴承故障特征频率

滚动轴承由轴承外圈、轴承内圈、保持架和滚动体组成。当轴承有一个或几个部件出现故障时, 频谱中会出现对应的特征频率, 即轴承故障特征频率。这些频率通常不为转速频率的整数倍, 往往是非同步频率。

一个滚动轴承有4个故障频率:外圈故障频率BPO、内圈故障频率BPI、滚动体故障频率BSF、保持架故障频率FTF。目前大部分的状态监测分析软件均有各大厂商常规型号轴承的故障频率数据库。

2. 滚动轴承故障分析

在滚动轴承出现早期故障时, 仅从振动值无法提前做出判断, 通常在加速度包络谱中更容易发现轴承的初期故障。滚动轴承的初期故障往往在高频区域会出现故障信号, 而加速度包络谱通过使用高通滤波器过滤低频信号干扰, 将高频信号放大, 更容易发现滚动轴承的故障信号。理论上运用加速度包络谱判断轴承故障, 共分四个阶段。

(1) 滚动轴承出现故障, 谱中出现故障频率, 此时幅值较小 (图1) 。

(2) 故障开始发展, 故障频率幅值上升, 但现场振动值并未发生明显变化。若为滚动轴承内圈故障, 则会在工作频率附近出现1倍转速频率的边带;若为滚动体故障, 则会出现1/2谐频, 并伴有保持架故障频率的边带 (图2) 。

(3) 故障变得严重, 故障频率幅值明显上升, 边带或1/2谐频更为明显。此时现场振动值将会呈上升趋势, 加速度包络谱中故障频率幅值将超过背景噪声20 d B, 应该尽快准备轴承备件, 制定维修计划更换轴承 (图3) 。

(4) 噪声水平上升接近波峰, 此时预示着轴承即将完全失效 (图4) 。

三、滚动轴承故障诊断实例

2013年10月12日监测发现G1-507B泵驱动端轴承出现故障频率, 该泵相关参数见表1, 测量的振动值见表2。

9月12日例行检查加速度包络谱中无异常频率出现;10月12日发现轴承滚动体故障频率BSF和保持架故障频率FTF, 幅值均比较低 (图5) ;10月14日滚动体故障频率BSF幅值有明显上升, 且在滚动体故障频率附近出现频宽为1FTF的边带 (图6) , 此时现场的振动值并未发生变化;11月7日现场振动呈上升趋势, 加速度包络谱中各幅值上升, 并出现滚珠故障频率及1/2谐频及内圈故障频率BPI (图7) ;12月2日现场振动明显变大, 加速度包络谱中各幅值明显上升, 轴承内圈故障频率BPI幅值上升最为明显, 且出现2倍BPI, 判断轴承内圈出现明显故障, 建议停泵维修 (图8) 。

经解体检查, 发现驱动端轴承7315BECBJ滚珠和内圈有磨损, 且在内圈上发现一处明显缺陷, 与分析结果一致。12月4日维修更换新轴承后上线测试, 加速度包络谱恢复正常, 泵运行正常。

mm/s

四、总结

滚动轴承故障 第5篇

引言

谷物联合收获机能够高效完成农作物的收割、脱粒、分离、清选及秸秆处理等一系列任务，是现代农业生产中常见的一种大型自动化设备。其中，轴承部件在该设备的传动、行走和控制等装置中被大量地使用，是一类影响设备运行状态的重要部件。尤其在脱粒装置上用到的滚筒轴承，不仅影响脱粒的效果，而且由于在恶劣工况下工作，属于设备中的易损件。因此，有效监测滚筒轴承部件的运行状态，对联合收获机的正常运行具有重要意义。目前，轴承故障诊断的一个重要方法是通过识别其组成部件( 滚动体、保持架、内圈、外圈)之间相互碰撞而产生的特征频率来完成识别;但在实际监测过程中，得到的振动信号中并非总是可以找到对应的特征频率，而是表现为时有时无的情况。造成这一情况的原因主要有两方面:①传感器只能在轴承表面获取信号，整个联合收获机设备中存在的干扰信号也比较大，使得特征频率对应的信号时常被淹没;②轴承中的滚动体在运行过程中容易发生滑失，使得与其余部件碰撞而产生的特征频率缺失，使得特征频率不显著的信号片段难以被识别，从而影响了整体的诊断效果。

信号中特征频率显著的片段实际是可以用来帮助提高整体诊断效果的。因为其对应的故障状态易于判别，从而可将它们作为状态已知的先验信息，然后与未知状态的信号片段混合，再利用常见的频域特征来进行识别，这是一种半监督的聚类或分类方法，目前已有一些学者进行了相应的探索和研究。毕锦烟等人提出一种半监督模糊核聚类算法用于齿轮轻微点蚀故障的检测。徐超等人则提出一种半监督模糊聚类算法用于发动机磨损故障的检测。他们均是直接对目标函数进行改造，但特征空间中各个特征对数据识别的作用通常是不一的，不能很好利用距离机制来评价样本的相似程度。为此，提出了一种基于不完全信息的聚类方法( Clustering Approachbased on Partial Information，CAPI) 用于轴承故障的识别。该方法在两方面利用了已知样本的信息:①利用已知样本对特征空间进行变换，从而实现距离机制的学习，以便更好地评价各个样本之间的相似程度;②利用近邻原则先对已知样本进行扩充，再将扩充后的已知样本用于目标函数的设计。最后，在某型小麦联合收获机滚筒轴承的滚珠轻微损伤故障及滚珠损伤和外圈损伤复合故障的识别中，验证了所提方法的有效性。

1、基于先验信息的距离学习方法

将监测得到的信号分为若干段，每段信号即对应一个样本，假设一共有n 个样，C 类状态。其中，第i个类有nil个已知样本、niu个未知样本。CAPI 首先对数据集X 中的已知样本进行相关成分分析，得到变换矩阵W，从而将所有样本取值进行转换，即xnew ，j =Wxj，xj = (xj 1，xj 2，…，xjd)，d 为特征总数。其具体步骤如下:1)计算第i 个类已知样本的均值vil，则vil = 1nilΣnilj = 1xij(1)2)计算各类已知样本对应的协方差矩阵Cor，有Cor = 1CΣCi = 1Σnilj = 1(xij - vil) (xij - vil)T (2)3)计算变换矩阵W，则W = Cor-12(3)变换矩阵是一个将有用特征显现的过程。它给一些特征赋予大的权重，因为这些特征对类的区分有重要作用;而在其余特征上样本取值的变化主要是由于各类内部取值波动引起的，对类的区分并无贡献，则赋予小的权重。

2、改进的半监督聚类算法

改进的半监督聚类算法是在转换后的特征空间下进行的，它在目标函数中融入了已知样本的约束，还在求解过程中利用粒子群算法克服了K 均值聚类易陷入局部极值的缺点。

2. 1近邻扩展策略

近邻扩展策略是根据相邻样本的状态很可能相同的原理设计的。其具体操作步骤为:

1)对于数据集Xnew中的每一个已知状态的样本，按照欧式距离的取值找出其k 个近邻样本;

2)若近邻样本y 本身即为已知样本，则不做任何操作;

3)否则，若近邻样本y 只是一个已知样本的近邻，则令其所属的类标号与已知样本的类标号相同;

4)若近邻样本y 同时是多个已知样本的近邻，则计算各个已知样本与近邻样本y 的欧式距离，找出其中最小距离对应的已知样本，记为x* ，近邻样本y 的.类标号，即与x* 的类标号相同。通过近邻扩展策略，使得已知样本的信息得以尽可能地被发掘，从而加强已知信息对聚类结果的影响。

2. 2 目标函数惩罚机制的设计

由于已知部分样本的类别标记，本文在设计的目标函数中引入了惩罚机制。若已知样本被错误的划为其它类别，则增大目标函数值，否则不影响函数取值。又由于近邻扩展策略中得到的已知样本具有一定的不可靠性，为了规避该风险，若扩展所得已知样本被错误划分时，则依据k近邻的次序给出不同程度的惩罚。设计的目标函数为J =ΣCi = 1Σnj = 1uij ‖xnew，ij - vi‖2 +ΣCi = 1 Σnj = 1，xnew，ij∈LuijD1(xnew，ij) + (4)ΣCi = 1 Σnj = 1，xnew，ij∈KLuij2 -kD1(xnew，ij)其中，uij取值为1 或0，表示第j 个样本是否被划分到第i 个类;vi为第i 个类的中心;L 表示未扩展时已知样本构成的集合;KL 为扩展过程中产生的已知样本构成的集合。当样本属于集合L 且被错误划分时，D1(xnew ，ij)取值为1，否则取值为0;当样本属于集合UL 时，D1(xnew ，ij)按相同方式取值。其中，k 值表示样本xnew ，ij在近邻扩展策略中所对应的近邻顺序。若为最近邻，则k 值为1，次近邻则为2，依次增大。

每次迭代后所有样本的划分按照欧式距离最近的原则进行，则uij =1 若‖xnew，ij - vi‖2 ≤ ‖xnew，pj - vp‖2，{ p = 1，2，. . . ，C 0(5)其它各类中心向量的更新为vi =Σn j=1uijxnew，ijΣnj = 1uij(6)

2. 3 基于粒子群算法的聚类过程实现利用粒子群算法来优化所提目标函数，并采用聚类中心的实数编码方式，个体zi = ( zi 1，zi 2，…，zim)。其中，m 为总的编码长度，取值为m = Cd，即每d 个基因位对应一个类的中心向量，一共有C 个类。个体zi中每个基因位的取值均为0 和1 之间的实数，所以在计算前所有样本均要归一化到0，1 范围内。粒子群算法的算子为vect+1ij = wIvectij + c1 r1(z*ij - ztij) + c2 r2(ztgj - ztij)zt+1ij = ztij + vect+1ij(7)其中，vecijt表示个体zi在基因为j 上的速度;t 表示代数;zi* 表示个体zi在其进化历史中所发现的目标函数值最小时所对应的个体;zgt 表示目前种群中已发现的目标函数值最小的个体，wI为惯性权重;c1、c2、r1和r2则为权重系数。此外，为了抑制种群早熟和提高种群的多样性，本文采用了每间隔一定代数t0即选择一定比例的较差个体并重新生成。其具体操作方式为:将种群按照目标函数取值降序排列，选取前q 个个体，令其每个基因位的取值在0，1 之间随机生成。

基于上述改进，CAPI 的运行流程为:

1)将正常工况下样本标记为已知样本，并找出监测信号中特征频率显著的样本，对应到相应故障状态中，也标记为已知样本，而剩余样本则为未知样本;

2)利用所有已知样本进行相关成分分析，从而将所有样本在特征空间中进行转换;

3)将已知样本进行近邻扩展;

4)对扩展后的样本进行基于粒子群算法的聚类，目标函数值最小个体对应的即为聚类的最终结果，根据未知样本和扩展所得已知样本被划分的聚类标号，即得到它们对应的故障状态。

3、实验结果与分析

实验采用雷沃谷神4LZ - 2. 5E 系列自走小麦联合收获机为研究对象，测试其滚筒轴承径向的振动加速度信号。一共测试了3 种状态:正常状态、滚珠有轻微凹坑的状态及外圈和滚珠均有轻微凹坑的状态。每种状态均得到了60 个样本，正常状态在设备早期使用过程中获得，全部为已知的样本;而后两种状态通过包络谱分析，找出特征频率显著的样本分别有22个和29 个，即为已知样本，其余则为未知样本。两种故障状态中未知样本的时域和频域图。这些样本在时域信号中难以区分，而在频域信号中尽管缺乏特征频率，但其频谱仍然存在一些不同。所以提出的7 个频域特征来构建相应的特征空间，用以识别未知样本。这7 个频域特征具体是平均频率、波形穿过时域信号平均值的平均频度、波形的稳定系数、变异系数、频域偏斜度、峭度和均方根比。

为了更好地说明所提各项改进的性能，本文设置了3 个对比算法，分别为:

1)先对数据进行主成分分析，然后按照贡献率超过85%的标准构建新的投影空间，再对其按照本文所提目标函数和粒子群方法来进行聚类，该方法称为PCACA;

2)目标函数中不加入关于已知样本的惩罚项，其余保持和CAPI 方法一致，称为CAPI1;

3)不进行已知样本的近邻扩展，其余保持和CAPI方法一致，称为CAPI2。

本文将所有算法中所需参数设置为:近邻扩展策略中的k 值设为1，种群大小为50，一共进化80 代，惯性权重设为0. 79，c1为2，c2为1. 6，r1和r2为0 和1 之间的随机数，速度vec 的最大和最小值为2. 1 和- 2.1，每隔10 代选取目标函数值最差的5 个个体重新随机生成。表1 给出了各种算法将所有样本进行分类的正确率和虚警率(正常样本判为故障样本的比率)，以及将未知样本分类的漏报率(未知故障样本判别为正常样本的比率) 和误报率( 将未知故障样本的故障类型判别为其它故障类型的比率)。

CAPI 具有最高的正确率，其正确率相比其它3 种算法分别提高了2. 78%、7. 22%和5. 55%。CAPI 还具有最低的虚警率、漏报率及误报率，其与另外3 种算法相比，虚警率、漏报率和误报率最多降低了2. 22%、5. 79% 和5. 80%，并且CAPI 所得虚警的样本个数为0。CAPI 与PCACA 的对比结果表明:基于已知样本信息的特征空间转换方法比无监督的PCA 方法更有效力:而CAPI 与CAPI1、CAPI2 的对比结果说明:本文对目标函数的改进及提出的近邻扩展策略对未知样本的正确识别有显著的促进作用。

4、结论

滚动轴承故障 第6篇

(上海交通大学机械系统与振动国家重点实验室, 上海 200240)

引 言

由于各种干扰源和噪声的影响，来自现场传感器的轴承故障信号非常复杂，直接对这些信号进行故障特征提取是非常困难的。盲源提取(Blind source extraction,BSE)技术的出现为这个问题的解决提供了新的技术和手段。BSE技术是近10年来新兴并引起广泛重视的一类信号处理方法，有时也叫盲信号抽取，它源于盲源分离(Blind source separation, BSS)技术。BSS技术在语音、通讯和医学工程等领域都有着成功的应用[1～3]，但其在旋转机械故障诊断中的应用有着较大的局限性，其原因可归结为如下[4]：瞬时混合模型的幅值不确定性和顺序不确定性；适用于振动信号的多通道卷积混合盲分离算法迄今仍没有令人满意的解决方案；源物理相关性的不确定性；源数的估计存在偶然性；盲源分离要求系统具有可逆性，但实际工程中很多机械系统是不可逆的。BSE相对于BSS有以下优点[5]：充分利用被提取对象的先验信息；仅仅提取感兴趣的信号；无需估计源的数目；计算量小；特别适用于源数较多而感兴趣信号较少的情况(如机械系统)。综上所述，BSE在某种程度上弥补了BSS的缺点。在既有的BSE技术中，约束独立成分分析最具代表性，其最先由Wei Lu等人于2000年提出[5]。随后Wei Lu分别将CICA用于图像盲分离与医学信号盲分离[6，7]，相对于传统独立成分分析(Independent component analysis, ICA)方法取得了不错的效果。Zhang Z L将CICA方法加以改进，提出了基于形态的CICA方法并将其用于微弱脑电信号的盲源提取[8]，通过仿真合成信号和实际脑电信号验证了所提出方法的正确性及实际应用价值。在旋转机械故障诊断方面，CICA也取得了一定的应用[9]，在文献[9]中Wang Z Y等将CICA用于滚动轴承的故障诊断中，并通过仿真信号和滚动轴承全寿命加速疲劳实验信号验证了CICA在旋转机械盲信号提取中的有效性。然而，上述CICA在盲源提取中的成功应用都需要以下两个前提条件：用于构建参考信号的目标源信号基本周期的精确估计；正确参考信号的构建。如文献[9]所验证，不正确参考信号的选取会造成误判或漏判的结果。此外，用于构建参考信号的目标源信号基本周期的估计值也会对提取结果造成很大的影响。然而在滚动轴承的实际工程应用中由于安装精度、制造误差及滚子相对于滚道的随机滑动等影响，都会造成目标源故障信号的实际基本周期与理论计算基本周期的偏差。这样就限制了CICA方法在旋转机械故障诊断中的应用。在文献[10]中，Barros等提出了一种基于最佳估计延时的能快速提取周期信号的盲提取方法。但所述方法本质上还是以目标信号的基本周期或基本周期的整数倍作为最佳延时。本文首先用基于二阶统计量的自相关函数算法估计目标源信号基本周期[10]，再与基于高阶统计量的固定点算法相结合的盲提取方法成功用于复杂运行环境下滚动轴承故障信号的盲提取[11,12]，此种方法在某种意义上来讲是对文献[10]所述方法的改进。此外，此种方法相对于CICA方法具有较强的鲁棒性：只需要大致估计目标信号的基本周期并将其作为所述方法相关步骤的基本周期即可。同文献[9]，将所述方法用于滚动轴承全寿命加速疲劳实验故障信号的盲提取，并与文献[9]CICA在滚动轴承全寿命加速疲劳故障信号盲提取中的应用作以比较，得出前者相对于后者具有更强的目标源信号基本周期估计误差的容错性。

1 问题的提出

假设有一多维观测信号矢量x(t)可表示为

x(t)=As(t)+n(t)

(1)

式中s(t)=[s1(t),s2(t),…,sn(t)]T是n×1满足统计独立性的源信号矢量，x(t)=[x1(t),x2(t),…,xm(t)]T是m×1的混合信号矢量，矩阵A={aij}是由混合参数aij构成的m×n阶的混合矩阵。n(t)=[n1(t),n2(t),…nm(t)]T是与源信号矢量统计独立的加性噪声矢量。

(2)

式中 矩阵C=(ci,j)n×n被称为混合-分离复合矩阵，该矩阵的每一行与每一列有且仅有一个非零元素。瞬时混合模型的混合和分离过程如图1所示。

图1 瞬时混合和分离模型示意图

根据传感器数m和源数n的关系，瞬时ICA模型可划分为3种：

当m=n时，此时混合矩阵A是方阵，称为平方ICA模型；

当m

当m>n时，称为超定ICA模型。

本文是基于平方ICA模型展开讨论的。

此外，为提高计算速度及简化本文算法，首先对观测信号x(t)进行白化处理，即

(3)

式中V称为白化矩阵。以下所述所有观测信号x(t)均为白化信号。

对于要提取的目标源信号si，假设对一特定整数τ*有以下关系式成立

(4)

式中sj为其他非目标源信号，k代表时间，τ*即为最佳时间延时[10]。

J(W)=E{y(k)y(k-τ*)}=WTE{x(k)x(k-τ*)T}W

(5)

在约束条件‖W‖=1下，最大化公式(5)所示的目标函数就可以提取出目标函数si。因为对于目标函数si，其关于延时为τ*的延时自相关函数是一个大于0的正值，而其他非目标源函数sj关于τ*的延时自相关函数都将为0。

忽略Rx(τ*)与Rx(τ*)T的微小差距，利用标准梯度算法，可得出文献[10]的算法

(6)

式中Rx(τ*)=E{x(k)x(k-τ*)T}。尽管文献[11]所述方法具有算法简洁、计算速度快等优点，但是其具有以下缺点：

(1)即使目标源信号si关于τ*的时延自相关函数E{si(k)si(k-τ*)}>0，但不能保证其他所有非目标源信号sj关于τ*的时延自相关E{sj(k)sj(k-τ*)}=0(j≠i)；

(2)即使所有源信号严格独立不相关，但是在实际计算中由于用源信号有限点数的算术平均来代替源信号的数学期望，就会造成源信号的自相关计算值不为0[15,16]，即：即使有下式成立

(7)

但也极有可能下式成立

(8)

综上所述，文献[10]所述基于二阶统计量的盲提取方法受上述两点限制，其盲提取性能的稳定性及精确性就受到了很大的影响，甚至会提取出非目标源信号。由于本文的研究是基于瞬时线性ICA基础上的，也就是假设源信号在物理意义上是相互独立的，所以可以用高于二阶统计量的更高阶的统计量去改善文献[10]所述的方法。以下是所述方法的介绍。

2 方法的提出

所用的方法大概分为3个步骤，如图2所示。

图2 所述方法流程图

各个步骤的具体计算过程如下：

(1)目标源信号基本周期的估计：当滚动轴承发生故障时，其故障基本周期可以由理论计算频率的倒数得出；

(2)初始目标源信号及分离矩阵计算：

式(5)所示的目标函数

(9)

(10)

(11)

由式(10)可得出式(11)的相应算法如下

(12)

(3)初始分离矩阵W的进一步优化：

(13)

为提高算法对野点和冲击噪声的鲁棒性，可以采用文献[11]的改进固定点算法

(14)

式(13)或(14)收敛时，即可得到最佳分离矩阵W。以下的仿真及实验结果均取式(13)，(14)二者之间效果最好的。

图3 原始信号

图4 观测信号

图5 不同盲提取方法得到的结果

3 仿 真

图3为4个信号，其中图3中的s1为准周期信号，s2为正弦信号，s3为余弦信号，s4为随机高斯白噪声。在Matlab中任意产生一随机4×4阶的矩阵A对4个信号进行混合。图4为混合后的观测信号。提取目标信号是s1。图5为用不同方法得到盲抽取结果。其中图5中的y1为文献[10]所述方法的盲抽取结果，得到了错误的抽取结果；图5中y2为文献[15]所述方法的提取结果；图5中的y3为本文所述方法的提取结果。虽然直观上看y2与y3要都为正确的目标源信号s1。可以用下式来对提取结果y2和y3的盲抽取精度进行比较

(15)

将s1和y2，s1和y3分别代入式(15)得到的PI值分别为22.4和47.6 dB，由此，所述方法相对于文献[15]所提出的方法具有更高的提取精度。

图6 基于不同参考信号的CICA抽取结果

图6是CICA方法用不同参考信号对观测信号的盲抽取结果。其中参考信号r1为正确的参考信号，将其与观测信号一起输入到CICA算法中，y11为抽取的结果。从y11可以看出CICA在正确输入参考信号的情况下可以很好地抽取出目标信号s1；不改变参考信号r1的方波周期，而改变方波的宽度即得到参考信号r2，将r2与观测信号一起输入到CICA算法中，y22为抽取的结果，可见抽取不出目标信号。同样不改变r1方波的宽度，而改变方波的周期得到参考信号r3，将r3与观测信号一起输入到CICA算法中，y33为抽取的结果，可见仍抽取不出目标信号。由此，CICA算法的能否成功应用在某种程度上取决于参考信号的能否正确设计，其使用受到了很大的限制。而分别将r1，r3的周期作为所述方法的基本估计周期(或基本周期的整数倍)，均能提取出目标源信号s1。限于篇幅限制在此不再给出抽取结果。

4 实 验

同样采用文献[9]中的滚动轴承全寿命加速疲劳实验数据。实验具体实施步骤及数据采集参数均可见参考文献[9]。选用和文献[9]同一个故障轴承进行分析，文献[9]给出了故障轴承的全寿命周期的均方根值(Root mean square, RMS)值曲线图。本文给出故障轴承全寿命周期的峭度指标曲线图，如图7所示，因为峭度指标对滚动轴承发生故障时的冲击特征更为敏感。

图7 实验轴承全寿命周期的峭度值

对第2 304组数据进行分析。将3个加速度传感器采集到的信号作为观测信号，其时域图如图8所示(注：文献[9]的时域图纵坐标单位为加速度，而本文的纵坐标单位为电压)。

图9为图8所示信号相对应的包络解调谱，从图9中均无法很好地提取出滚动轴承内圈故障通过频率fi=246 Hz及其谐频：图9(a)虽然能大致提取出内圈故障通过频率，但其谐频及调制频率即转频提取效果并不好；图9(b)，(c)的提取结果会造成误判或漏判。

将本文所述方法用于上述观测信号，提取出的信号的时域图及其包络解调谱图如图10所示，由包络解调谱可以看出其很好的提取出内圈故障通过频率fi=246 Hz及其谐频。在用所述方法对观测信号进行处理时，估计目标信号的基本周期设置为T=(1/fi)×fs=104(用点数表示，可参考文献[9])。

图11是基于不同参考信号的CICA盲提取结果，其中图11(a)的r1是正确参考信号：周期为T=104(采用点数表示，可参考文献[9])；方波宽度为20(点数)，图11(b)为盲抽取的信号，图11(c)为11(b)的包络解调谱，由此看见，CICA很好地提取了内圈故障通过频率；改变图11(a)的周期，即T′=106，方波宽度不变，得到参考信号r2如图11(d)；图11(e)为盲提取结果的时域图，图11(f)为图11(e)的包络解调谱，提取不出内圈故障频率；同样，不改变图11(a)的周期，而改变方波宽度(方波宽度由20设置为30)即得到参考信号r3如图11(g)；图11(h)，(i)分别为盲提取结果的时域图及包络解调谱，同样提取不出内圈故障特征频率。可见，CICA能否正确地提取故障特征频率，对精确参考信号的设计有着苛刻的要求(参考信号的周期及方波形状的微小改变都会对CICA提取结果造成很大的影响)。在工程实际应用中，由于设计精度、安装误差及滚动体的随机滑动都会造成滚动轴承理论计算故障频率与实际故障频率的误差。而本文所述的方法只需要大致估计目标源信号的基本周期即可。图12为将T=106作为目标源信号的估计周期，用本文所述方法得到盲提取信号的时域图及其相应的包络解调谱，仍可以提取出内圈故障特征频率。说明了本文所述方法相对于CICA方法有较强的目标源信号周期误差的容错性。

图8 实验观测信号

图9 实验观测信号的包络解调谱

图10 所述方法的盲提取结果

图13为文献[15]所述方法的提取效果，从其包络解调谱中无法提取中滚动轴承内圈故障通过频率。

图11 用不同参考信号CICA的提取结果

图12 用所述方法以T=106作为估计基本周期的提取结果

图13 用文献[15]所述方法的盲提取结果

5 结 论

本文将一种盲提取方法用于复杂运行环境下滚动轴承故障信号的盲提取中，取得了不错的结果。并通过仿真验证了所述方法相对于其他盲提取方法有较高的精度；通过仿真和实验验证了所述方法相对于CICA方法具有目标源信号基本周期误差容错性的优点；此外，所述方法只需要估计目标源信号的基本周期即可，而CICA方法不但需要目标源信号基本周期的精确估计，而且还需要构建准确的参考信号，其使用相对于所述方法具有较大的局限性。

参考文献：

[1] Hyvarinen A, Oja E. Independent component analysis:algorithms and applications[J]. Neural Networks， 2000, 12:411—430.

[2] Choi S J, Cichocki A, Park H M, et al. Blind source separation and independent component analysis:A review[J]. Neural Information Processing-letters and Reviews, 2005, 6(1):1—57.

[3] James C J, Gibson O J. Temporally constrained ICA:An application to artifact rejection in electromagnetic brain signal analysis[J]. IEEE Transaction on Biomedical Engineering, 2003, 50(1):1 108—1 116.

[4] Antoni J. Blind separation of vibration components:rinciples and demonstrations[J]. Mechanical Systems and Signal Processing 2005, 19:1 166—1 180.

[5] Lu W, Rajapakse J C. Constrained independent component analysis, in:Advance in Neural Information Processing Systems, vol.13(NIPS 2000)[M]. MIT Press, Cambridge, MA, 2000:570—576.

[6] Lu W, Rajapakse J C. Approach and applications of constrained ICA[J]. IEEE Transaction on Neural Networks, 2005, 16(1):203—212.

[7] Lu W, Rajapakse J C. ICA with reference[J]. Neurocomputing, 2006, 69:2 244—2 257.

[8] Zhang Z L. Morphologically constrained ICA for extracting weak temporally correlated signals[J]. Neurocomputing, 2008, 71:1 669—1 679.

[9] Wang Z Y, Chen J, Dong G M, et al. Constrained independent component analysis and its application to machine fault diagnosis[J]. Mechanical Systems and Signal Processing, 2011, 25:2 501—2 512.

[10] Barros A K, Cichocki A. Extraction of specific signals with temporal structure[J]. Neural Computation, 2001, 13(9):1 995—2 003.

[11] Cichocki A, Amari S I. Adaptive Blind Signal and Image Processing. Learning Algorithms and Applications[M]. New York:John Wiley & Sons,2002.

[12] Hyvarinen A, Oja E. A fast fixed-point algorithm for independent component analysis[J]. Neural Computation, 1997, 9(7):1 483—1 492.

[13] Sabri K, Badaoui M E, Guillet F, et al. A frequency domain-based approach for blind MIMO system identification using second-order cyclic statistics[J]. Signal Processing, 2009, 89:77—86.

[14] Belouchrani A, Meraim K A, Cardoso J F, et al. A blind source separation technique using second-order statistics[J]. IEEE Transactions on Signal Processing, 1997, 45(2):434—444.

[15] Zhang Z L, Zhang Y. Robust extraction of specific signals with temporal structure[J]. Neurocomputing, 2006, 69:888—893.

滚动轴承的故障分析与补救 第7篇

1、过载

滚动轴承发生严重的表面剥落和磨损时, 表明滚动轴承故障是因过载引起的早期疲劳产生的失效 (此外配合过紧也会造成一定程度的疲劳) 。过载还会引起严重的轴承钢球滚道磨损、大面积剥落并时而伴有过热现象。补救办法是:减少轴承的负荷或提高轴承的承载能力。

2、过热

滚动轴承工作中滚子的滚道、钢球或保持架改变颜色时, 表明轴承过热。温度的升高会使润滑剂作用降低, 使油膜不易形成或完全消失。温度过高, 会使滚道和钢球的材料退火, 硬度下降。这主要是散热不利或重载、高速的情况下冷却不充分造成的。解决的办法是:充分散热、追加冷却。

3、低负荷振蚀

滚动轴承出现了每个钢球的轴向位置上出现椭园形的磨损痕迹时, 表明当轴承不工作且未产生润滑油膜时, 由外部振动过度或低负荷振蚀而造成了失效。补救办法是:使轴承隔振或在轴承的润滑脂中加入抗磨添加剂等。

4、安装问题

滚动轴承在安装时, 主要要注意以下几方面的问题。

(1) 注意安装施力。如滚道上出现间隔的压坑, 表明负荷已超出了材料的弹性极限。这是由于静态过载或者严重的冲击 (如安装时曾用锤子敲击轴承等) 引起的。正确的安装方法是:仅对要压装的园环施力 (在轴上装内圈时勿推压外圈) 。

(2) 注意角接触轴承的安装方向。角接触轴承有一椭园形的接触区, 并仅有一个方向上承受轴向推力。在相反的方向上装配轴承时, 因钢球处在滚道边缘, 其受载后会产生槽形磨损带。因此, 在安装时应注意正确的安装方向。

(3) 注意对中。钢球磨损痕迹偏斜, 不与滚道方向相平行, 表明安装时轴承未对中。若偏斜量达到一定程度, 就易引起轴承温度上升并出现严重磨损。其产生的原因可能是轴有弯曲、轴或箱体有毛刺、锁母的压紧而未与螺纹轴线相垂直等。因此, 安装轴承时应注意检查轴承径跳情况。

(4) 应注意正确配合。轴承内、外圈的装配接触面上出现园周状的磨损或变色, 是由轴承与其相配的零件配合过松引起的。磨蚀产生的氧化物为一种纯褐色磨料, 其结果会造成轴承进一步磨损、发热、产生噪音和产生径跳等一系列问题, 因此装配时要注意正确配合。

又如滚道底部有严重的球形磨损轨迹, 这表明因配合过紧使轴承间隙变小, 由于扭矩增大, 轴承温度上升, 使轴承很快磨损和疲劳而失效。此时, 只要适当恢复径向间隙, 减少过盈量, 就可解决这一问题。

5、润滑不当

所有滚道轴承都需要用优质的润滑剂进行不间断的润滑, 以保持其设计性能。轴承内依靠滚动体和座圈上形成的一层油膜来防止金属与金属之间的直接接触。如果润滑良好, 就能减少摩擦, 使其不致磨损。

轴承在运转状态下, 润滑脂或润滑油的粘度是保证其正常润滑的关键;同时, 润滑油脂保持清洁, 不含固态或液态杂质也是至关重要的。油的粘度过低, 不能起到充分的润滑作用, 至使座圈很快磨损。开始时, 座圈的金属与滚动体的金属表面互相接触摩擦, 使其表面打磨得非常光滑, 继而产生干摩擦, 导致座圈表面被滚动体表面碾碎的粒屑所压裂。起动可以观察到表面变暗, 失去光泽, 最后形成凹痕和片状疲劳脱落。补救办法是:按照轴承需要, 重新选择更换润滑油或润滑脂。

污染物粒子污染润滑油或润滑脂时, 即使这些污染物粒子小于油膜平均厚度, 但因粒子很硬仍会产生磨耗, 甚至于穿透油膜, 致使轴承表面产生局部应力, 从而显著地缩短轴承寿命。润滑油或润滑脂中水的浓度即使小至0.01%, 亦足以缩短轴承原有寿命的一半。若水可溶解于油或脂中, 轴承使用寿命会随水的浓度递增而缩减。补救办法是:调换不洁净的油或脂;平时应当安装较好的过滤器, 增加密封, 贮存、安装时注意清洁操作。

6、腐蚀

滚道、钢球、保持架和内外圈环型面上出现红色或褐色污点, 表明轴承因暴露于腐蚀性的液体或气体中而产生了腐蚀失效。它会引起振动增大、磨损加剧、径向间隙增加、预载降低, 并且在极限情况下发生疲劳失效。补救办法是:使液体从轴承中排出或增加轴承的整体及外部密封。

滚动轴承的常见故障及分析 第8篇

1 我们从轴承工作时轴承元件上的载荷及应力变化来分析轴承故障

轴承工作时, 各个元件上所承受的载荷及产生的应力是时时变化的。如图1所示。

当滚动体进入承载区, 所受载荷由0逐渐增加到FN2、FN1直到最大值FN0, 然后逐渐减小到0, 就滚动体而言, 它的载荷及应力是周期性的不稳定的变化。对于固定的外圈, 处于承载区的各点接触, 按其所在位置不同, 将受到不同的载荷, 处于Fr作用线上的点将受到最大的接触载荷。对于每个具体的点, 每当一个滚动体滚过时, 便承受一次载荷, 其大小是不变的, 也就是承受稳定的脉冲循环载荷的作用。

从上述的工作过程我们了解处于Fr作用线上的点承受的应力最大。受到损坏的可能性也是最大的。从实际的工作中我们得到验证。常见滚动轴承的损坏征状有如下几点。

(1) 承受负荷的内外圈、滚动体 (滚珠、滚柱等) 表面磨损和剥落。造成滚动轴承的径向间隙、轴向间隙增大, 滚动轴承在工作中发出噪声和发热, 并且破坏了与其配合轴的正确工作位置, 出现振动。表面疲劳剥落的初期是表面上出现麻点状的小凹坑, 最后发展成片状的表层脱落。轴承滚动体和内、外圈滚道面上均承受周期性脉动载荷的作用, 从而产生周期变化的接触应力。当应力循环次数达到一定数值后, 在滚动体或内、外圈滚道工作面上就产生疲劳剥落。如果轴承的负荷过大, 会使这种疲劳加剧。另外, 轴承安装不正、轴弯曲, 也会产生滚道剥落现象。轴承滚道的疲劳剥落会降低轴的运转精度, 使机构发生振动和噪声。

(2) 轴承内外圈的配合表面磨损。由于轴承内外圈与轴和壳体孔装配时没有配合好, 破坏了轴承与壳体、轴承与轴的配合关系, 进一步加速了轴承本身和与之配合的轴或壳体上配合表面磨损 (俗称走内圈或走外圈) 。

(3) 滚动轴承隔离圈磨损和松旷。在工作中隔离圈和滚动体 (滚珠、滚柱等) 相互摩擦, 若润滑不良, 则加快磨损。隔离圈磨损以后, 滚动体松动, 严重时会造成隔离圈散架, 滚动体脱落。

(4) 轴承烧伤。由于润滑不良, 或润滑油不符合要求, 以及轴承间隙调得过小, 轴承工作时迅速发热, 工作表面因受高温而退火。在外表观察时, 可发现工作表面的颜色发生变化。

(5) 塑性变形。轴承的滚道与滚子接触面上出现不均匀的凹坑, 说明轴承产生塑性变形。其原因是轴承在很大的静载荷或冲击载荷作用下, 工作表面的局部应力超过材料的屈服极限, 这种情况一般发生在低速旋转的轴承上。

(6) 轴承座圈裂纹、保持架碎裂。轴承座圈产生裂纹的原因可能是轴承配合过紧, 轴承外圈或内圈松动, 轴承的包容件变形, 安装轴承的表面加工不良等。保持架碎裂其原因是润滑不足, 滚动体破碎, 座圈歪斜等。座圈滚道严重磨损, 可能是座圈内落入异物, 润滑油不足或润滑油牌号不适。

2 轴承常见故障检测

不通过拆卸检查即可识别或预测运转中的轴承有无故障, 这对提高生产率和经济性是十分重要的。运转中的检查项目有轴承的滚动声、振动、温度的状态等, 主要的识别方法如下。

(1) 通过轴承的滚动声音进行识别。通过声音进行识别需要有丰富的经验, 必须经过充分的训练达到能够识别轴承声音与非轴承声音, 为此, 应尽量由专人来进行这项工作。用听音器或听音棒贴在外壳上可清楚地听到轴承的声音, 也可采用测声器对运转中的轴承的滚动声大小及音质进行检查, 轴承即使有轻微的剥离等损伤, 也会发出异常声音和不规则声音, 用测声器就能够分辨。

(2) 通过轴承的振动进行识别。轴承振动对轴承的损伤很敏感, 例如剥落、压痕、锈蚀、裂纹、磨损等都会在轴承振动测量中反映出来, 所以, 通过采用特殊的轴承振动测量器 (频率分析器等) 可测量出振动的大小, 通过频率分析可推断出异常的具体情况。测得的数值因轴承的使用条件或传感器安装位置等而不同, 因此需要事先对每台机器的测量值进行分析比较后确定判断标准。

(3) 通过轴承的工作温度进行识别。轴承的温度一般由轴承室外面的温度就可推测出来, 如果利用油孔能直接测量轴承外圈温度则更加合适。通常, 轴承的温度随着运转开始慢慢上升, 1h~2h后达到稳定状态。轴承的正常温度因机器的热容量、散热量、转速及负载而不同。如果润滑、安装不合适, 则轴承温都会急骤上升, 会出现异常高温, 这时必须停止运转, 采取必要的防范措施。使用热感器可以随时监测轴承的工作温度, 并实现温度超过规定值时自动报警或停止, 防止燃轴事故发生。

用高温经常表示轴承已处于异常情况。高温也有害于轴承的润滑剂, 有时轴承过热可归诸于轴承的润滑剂。若轴承在超过125℃的温度长期运转会降低轴承寿命。轴承引起高温的原因有:润滑不足;润滑剂内含有杂质;负载过大;轴承损环;间隙不足及油封产生的高摩擦等等。因此连续性的监测轴承温度是有必要的, 无论是测量轴承本身或其它重要的零件。如果是在运转条件不变的情况下, 任何的温度改变可表示已发生故障。

所以从以上几个方面, 如果我们可以做到提前预防, 及时点检就可以减少许多意外事故的发生, 间接提高了生产效率。

摘要：本文针对工作中常见的轴承故障进行研究, 从轴承元件上的载荷及应力方面进行分析, 明确故障产生的原因。根据故障产生的症状与规律, 采取了一系列提前预防的措施, 效果明显。

关键词：接触载荷,表面磨损,震动,噪声

参考文献

[1]李国华.机械故障诊断[M].化学工业出版社, 2002.

[2]程光友.时域指标在滚动轴承故障诊断中的应用[J].中国设备工程, 2005 (12) :34～35.

[3]曾海平.基于经验模态分解法的滚动轴承故障诊断系统研究[D].浙江大学, 2005.

[4]王江萍.机械设备故障诊断技术及应用[M].西安:西北工业大学出版社, 2001.

浅析滚动轴承故障特征的提取技术 第9篇

1 滚动轴承常见的故障

滚动轴承通常会出现以下几个故障[1]:

(1) 磨损。滚动轴承最常见的故障就是磨损, 造成磨损的原因有很多, 比如磨料的存在、轴承内进入异物或者是没有做好润滑工作等, 都会造成轴承滚道、保持架、滚动体等发生磨损的现象。

(2) 疲劳。滚动体或者是滚道表面产生脱皮或者是剥落, 就代表着滚动轴承的疲劳。疲劳初期, 只是在表面形成不规则的凹坑, 然后逐渐延伸形成片。造成疲劳的主要原因是疲劳应力。但有时候装配不当或者是润滑不良也会引起剥落或者是脱皮现象。

(3) 断裂。引起断裂的原因有很多, 比如热处理、负荷过大、转速太高、润滑不良等。

(4) 腐蚀。腐蚀分化学腐蚀、点腐蚀、威震腐蚀等, 主要的表象都是出现凹坑、麻点、红色或者是黑色锈斑等。

(5) 压痕。由于过载、冲击或者异物落入滚道就会使滚道和滚动体表面产生局部变形而出现凹坑, 这就是压痕。

(6) 胶合。胶合就是滚道和滚动体局部融合在一起现象, 其主要原因是高速、高温和润滑不良。

2 轴承振动信号的提取方法

2.1 有效值和峰值判断法

滚动轴承在工作时, 其振动的瞬时值会随着时间的变化不断地发生变化, 有效值可以准确地表现振动变化的大小。所谓的有效值就是振动幅值的均方根值, 而且表示对时间的平均, 所以当出现表面皱裂、且振动无规则的波形时, 其测定值的变动情况较小, 此时给出的评价是十分可靠的[1]。峰值就是指示信号中可能出现的最大的瞬间值, 可以用峰值来表现信号的强度, 峰值还可以正确的得出瞬间现象的指示值。通过峰值的变化可以很容易的检测出初期阶段滚动轴承的表面剥落现象。

2.2 峰值指标法

峰值与有效值的比就是峰值指标。峰值在表现由伤痕引起的瞬时冲击振动时, 比有效值更加可靠, 所以峰值指标法就是利用了峰值的这种特性, 一般情况下, 滚动轴承状态良好, 此时峰值指标是5, 当滚动轴承发生状况时, 比如表面剥落或者是出现划痕, 峰值指标会变成10, 所以这种方法可以对滚动轴承的故障很直观的表现出来。不仅如此, 峰值指标受轴承尺寸的影响比较小。

2.3 概率密度法原理

概率密度分析主要是对幅值概率密度函数进行分析, 可以对振动的瞬时值进行比较全面的描述, 它的优点是很突出的。不同的振动信号会出现不同的概率密度函数图形, 一般情况下, 如果滚动轴承没有故障, 振动信号表现为正常状态分布曲线, 一旦滚动轴承出现故障, 那么曲线就会变得陡峭, 通过曲线的变化, 可以很直观的识别振动信号的变化。

2.4 冲击脉冲法

当两个不平的表面相互撞击时, 就会出现冲击波和冲击脉冲[2]。通过冲击脉冲可以很容易的表现出撞击的程度, 在检查滚动轴承故障的工作中可以对滚动体和滚道的撞击程度进行检测, 通过两者的冲击脉冲就可以了解滚动轴承是否发生故障。如果滚动轴承发生故障, 那么故障零件在工作时就会产生机械冲击, 冲击脉冲力的变化幅度就会增大。

3 信号特征的频域提取方法

3.1 频谱分析法

利用频谱可以很快的诊断滚动轴承是否发生故障。利用通用信号的幅值谱或者是功率谱对滚动轴承故障进行诊断, 这就是频谱分析。人们可以直接对正常工作状态下的滚动轴承振动信号特征频率进行分析, 把数据当作比对的标准, 然后对疑似出现故障的滚动轴承振动信号特征频率进行分析, 将两者进行比较, 看滚动轴承是否已经出现故障。但是由于滚动轴承的故障特征频率较低, 且常常会受到周围环境中噪音的影响, 可靠性较差, 因此这种方法很少被采用。

3.2 倒频谱分析

对于复杂的振动情况来说, 仅仅观察频谱图是没有多大作用的, 其谐波成分通常十分复杂和密集, 频谱图并不能表现出太多的内容。由于各零部件在力的相互作用下, 可能会形成各自特有的通过频率, 这些频率会出现相互叠加的情况, 因此谐波成分往往很复杂, 这时就可以用倒频谱进行辨认。倒频谱能正确的揭示普图中的周期分量, 同时利用倒频谱可以很容易的诊断出滚动轴承的故障。

3.3 循环平稳分析

轴承故障信号是一种调制信号, 其相关函数是一种周期函数, 同时是一种特殊的信号, 这种信号是非平稳的, 因此又叫做循环平稳信号[3]。一般情况下的信号处理方法都是以平稳信号为假设的, 这些方法不可能充分提取非平稳信号的特征。循环平稳信号的统计特性呈周期性, 周期性是一切机械故障信号共有的特征, 因此, 循环统计理论近年来在故障诊断领域越来越受到重视。滚动轴承的故障信号其自相关函数是一种周期函数, 因此可以利用循环域解调方法快速的分离出故障信息。

4 结束语

滚动轴承的振动信号可以准确地反应出滚动轴承的运作状态, 通过分析滚动轴承的振动信号可以作为监测和故障诊断的标准。滚动轴承的正常运转是机械正常工作的重要保障, 因此要加强滚动轴承故障检测工作, 一旦发生故障, 要做出及时的修理措施。

参考文献

[1]王善鹏.基于流形学习的滚动轴承故障特征提取方法研究[D].大连理工大学, 2013.

[2]李宗涛.基于同步平均和倒谱编辑的滚动轴承故障信号提取技术研究[D].昆明理工大学, 2014.

滚动轴承的故障诊断方法研究 第10篇

1 在谱峭度和频带收缩方法基础上的滚动轴承故障诊断方法

在谱峭度和频带收缩方法基础上的滚动轴承故障诊断方法的诊断是自动化非常强的方法, 过程中不需进行人为的操作。这种诊断方法基于谱峭度而生, 结合频带收缩方法, 能够准确的找出因滚动轴承的故障而导致的谱峭度最高的频带, 从而进行有效的诊断。

这种故障诊断方法的步骤分为 (1) 、构造一个Morlct小波族, 包括四个小波滤波器, 将Morlct小波族放在分析频带 [0, f, 2] 内。经过原信号傅立叶和Morlct小波族相乘和逆变换, 得到小波系数[1]。找到谱峭度最大值K1max和相应的频带 [f11, f12] (2) 、重复上述方法, 找到K2max刚和相应的频带 [f21, f22], 并对比K1max和K2max大小, 进一步作出分析 (3) 、找出满足Kn-1max大于Knmax条件的频带和相对的小波系数Wn-1kmax (a, t) , 将小波系数和它的复共轭相乘, 得出小波系数的最佳包络, 对其做傅立叶的变换, 从而找出故障。

和传统的故障诊断方法相比, 在谱峭度和频带收缩方法基础上的滚动轴承故障诊断方法的优势明显。它降低了传统诊断方法对人员的苛刻要求, 也可以大大缩小对共振频带的选择范围, 从而使故障诊断的更加精确和准确, 进而提高诊断的效率和效果。

2 小波包故障诊断方法

由于实际操作中的信号并不都是稳定的信号, 因为外界的冲击、机器的松动等不确定因素的加入, 是不稳定信号的更加复杂。因此, 在进行检测时, 不仅要考虑到时域还要考虑到频域。小波变换是一种数学上的方式, 它能满足在进行故障诊断的时候需要进行的频率和时间上的研究分析。

在处理信号时, 小波变换既有优势也有劣势, 虽然它能很好的适应在处理信号时对时域频域要求, 但是这也导致了另一问题, 即“高频低分辨率”[2]。小波包分解能对各种信号在整个的频带内做相应的正交分解, 这从根本上说就是对被检测的信号进行多带通滤波。因为正常状态下的和故障状态下的器械它们的输出信号的频带是不一样的, 小波包分析通过对这些信号的分析, 从而找到是否有故障存在并且进一步找出故障所在。

小波包故障诊断的方法有两种, 一种是基于小波包变换的时域分析方法, 一种是基于小波包变换的能量谱分析方法。基于小波包变换的能量谱分析方法是一种结合了小波包分解、小波包分频带能量检测技术和重构原理的诊断方法。因为滚动轴承上的故障信号一般是随机信号, 常见的数学关系不能有效的表现这种信号的变化和起落, 而小波包系数的变换和函数之间的相似度有着密切的关联, 基于此, 这种系数的变换亦可形象的化为图像。这种方法能够清晰的展现出原始信号的稳定性、周期性以及非稳定性, 进而找出滚动轴承上的故障原因。

3 滚动轴承故障的温度诊断方法

和以上两种方法的专业性不同, 温度诊断方法的实际操作性更强。因为摩擦, 轴承周身会产生一定的温度, 正常运行情况下的轴承的温度和有某种异常情况下的轴承的温度有细微的差别, 通过对温度的检测, 可以确定滚动轴承是否存在故障。

温度诊断方法对滚动轴承本身要求比较严格, 轴承的运转速度、是否润滑等外界因素对温度这一变量的影响也非常大。造成温度出现不正常的升高的原因不仅仅只有轴承故障这一个因素, 比如润滑程度不够, 造成摩擦力变大, 也会导致温度的变化。此外, 当轴承的故障比较小的时候, 反应在温度上的故障也更加微小, 不足以引起重视, 只有当故障变大时, 温度的变化才能被检测到。因此, 轴承上的微小故障如点蚀不能轻易的就能被温度检测方法察觉。

4 滚动轴承故障的振动诊断方法

目前使用的许多轴承诊断的仪器的制作原理都是基于振动法, 国内专家关于滚动轴承的故障研究中振动诊断方法占85% 以上[3]。这种诊断方法的使用性高、适应性强, 诊断结果相对来说也比较准确。

依靠振动法诊断故障的方法比较多, 比如幅值域处理、时域差处理等等。其中, 时域准诊断方法最早应用于滚动轴承的故障诊断中。因为技术有限, 时域波形很难直观的表现出轴承的状况, 更无从下手找出轴承的故障。振动信号可以运用函数等变换成数字或图像, 用的比较多的数字特征有波形因子、方差、概率分布函数三种。

振动诊断方法可以对轴承的故障作出比较细致的分析和诊断, 因为直接对频谱信号作分析, 可以更加直观的发现问题所在, 从而判断轴承是否有故障。但是, 振动发出的信号频谱也会受到流体动力器械发出的声音的干扰, 信号的纯净度降低, 依据此方法做出的判读会产生误差, 这种诊断方法不能应用在精密仪器的故障诊断上。

5 结束语

滚动轴承应用在越来越多的器械上, 各种交通工具离了它更是寸步难行。随着技术的发展, 花样繁多的精密仪器越来越复杂, 在生活中的应用也越来越多。轴承质量的好坏, 不仅仅关系到器械的运行, 甚至会造成巨大的经济损失、人员伤亡。本文介绍了在谱峭度和频带收缩方法基础上的滚动轴承故障诊断方法、小波包故障诊断方法、温度诊断方法、振动诊断方法, 希望能对滚动轴承的故障诊断有一定的帮助。

参考文献

[1]周长生.齿轮与滚动轴承故障诊断方法的研究及专家系统的建立[D].兰州理工大学, 2007.

[2]陈聪.基于小波理论的滚动轴承故障诊断方法研究[D].电子科技大学, 2013.

滚动轴承故障 第11篇

摘要： 针对转子滑动轴承系统发生松动故障进而引发松动碰摩耦合故障的诊断问题，基于非线性有限元方法，应用非线性短轴承油膜力模型、松动刚度模型及Hertz接触理论建立双盘松动碰摩耦合故障转子滑动轴承系统的动力学模型。首先，研究并分析了滑动轴承（油膜力）支撑下的健康转子系统的动力学特性；进而，通过对不同转速下耦合故障转子系统动力学特性的研究发现，滑动轴承支撑下的松动碰摩耦合故障常常以碰摩故障特征为主，时域波形呈现下密上疏的波动形状，轴心轨迹表现为多个嵌套的“半椭圆形”，这些故障特征可以作为诊断滑动轴承（油膜力）支撑下松动碰摩耦合故障的一个理论依据。

关键词： 故障诊断； 螺栓松动； 碰摩； 双盘转子； 油膜力

中图分类号： TH165+.3 文献标志码： A 文章编号： 1004-4523（2016）03-0549-06

DOI：10.16385/j.cnki.issn.10044523.2016.03.022

引 言

油膜振荡是滑动轴承转子系统中常见的现象。旋转机械中的油膜振荡会使轴系振幅急剧增大，容易引发轴承座与基础间的螺栓松动，进而引起转子与定子间的碰撞与摩擦，使其出现周期性的碰摩现象，这对机组的安全运行产生了直接影响。因此，为了提高旋转机械的工作稳定性与安全性，研究转子滑动轴承系统松动碰摩耦合故障复杂的动力学特性及其演变规律具有重要的意义。

近些年来，对于油膜振荡引起的失稳、松动和碰摩等耦合故障问题的研究一直是国内外相关学者关注的重大课题。褚福磊[1]等研究了基于短轴承油膜力模型的转子与定子发生弹性碰摩的动力学行为，分析后发现其具有明显的分叉与混沌运动现象。刘长利[2]对松动碰摩耦合故障转子轴承系统周期运动的稳定性进行了研究，分析了系统在不同参数域内分岔集的变化情况。陈果[3]通过对松动与碰摩故障耦合时转子系统响应特征的研究发现，松动故障会导致系统的振幅突然增加并产生混沌运动。Agnes Muszynska[4]研究了具有基座松动及转静子碰摩故障的转子系统非线性动力学行为，并结合转子系统的振动特性进行了相关实验。苏长青等[5]采用短轴承非稳态油膜力模型，研究了存在碰摩和支座松动耦合故障转子系统的随机响应问题。罗跃纲等[6]研究了具有松动碰摩耦合故障双跨转子轴承系统的周期运动过程，指出转子系统的响应以混沌运动为主。本文运用有限单元法建立了油膜力支撑下的松动碰摩耦合故障双盘单跨转子系统动力学模型，使用Newmarkβ迭代数值求解方法来获取故障转子系统相应节点的激励响应结果；并基于非线性短轴承油膜力模型和松动刚度模型理论研究并分析了在不同转速条件下，松动碰摩耦合故障转子滑动轴承系统周期运动的相关特性，为转子滑动轴承系统的耦合故障诊断提供了理论参考。

3 结 论

（1）健康转子系统在滑动轴承（油膜力）支承下，随着转速的提高，油膜涡动现象逐步显现，倍频及分频谐波系列成分较为丰富，并且分频逐渐取代转频成为主频，油膜振荡现象加剧。当转子系统发生松动碰摩耦合故障时，由于松动刚度和碰摩力的共同作用，油膜失稳现象被抑制；此时，随着转速的增大，系统碰摩现象加剧，逐步由周期1运动分岔进入周期N运动状态。

（2）通过研究在不同转速条件下转子系统的动力学特性后发现，滑动轴承（油膜力）支撑下的松动碰摩耦合故障常常以碰摩故障特征为主，频率成分较为丰富，转频长时间作为主频，时域波形呈现下密上疏的波动形状，轴心轨迹表现为多个嵌套的“半椭圆形”，这些故障特征可以作为诊断滑动轴承（油膜力）支撑下转子系统松动碰摩耦合故障的一个理论依据。

参考文献：

[1] Chu F L， Zhang Z S. Periodic， quasiperiodic and chaotic vibrations of a rubimpact rotor system supported on oil film bearings [J]. International Journal of Engineering Science， 1997， 35（1011）： 963—973.

[2] 刘长利， 姚红良， 罗跃纲， 等. 松动碰摩转子轴承系统周期运动稳定性研究 [J]. 振动工程学报， 2004， 17（3）： 336—340.

Liu Changli， Yao Hongliang， Luo Yuegang， et al. Dynamics of rotorbearing system with coupling faults of pedestal looseness and rubimpact[J]. Journal of Vibration Engineering， 2004， 17（3）： 336—340.

[3] 陈果. 含不平衡碰摩基础松动耦合故障的转子滚动轴承系统非线性动力响应分析 [J]. 振动与冲击， 2008， 27（9）： 100—104.

CHEN Guo. Nonlinear dynamic response analysis of rotorball bearing system including unbalancerubbinglooseness coupled faults [J]. Journal of Vibration and Shock， 2008， 27（9）： 100—104.

[4] Agnes Muszynska， Paul Goldman. Chaotic responses of unbalanced rotor/bearing/stator systems with looseness or rubs [J]. Chaos， Solitons & Fractals， 1995， 5（9）： 1683—1704.

[5] 苏长青， 张义民， 赵群超. 带有支座松动故障的转子轴承系统碰摩的可靠性分析 [J]. 工程设计学报， 2008， 15（5）： 347—350.

SU Changqing， ZHANG Yimin， ZHAO Qunchao. Reliability analysis for rubbing in rotorbearing system with pedestal looseness[J]. Journal of Engineering Design， 2008， 15（5）： 347—350.

[6] 罗跃纲， 杜元虎， 任朝晖， 等. 双跨转子轴承系统松动碰摩耦合故障的非线性特性 [J]. 农业机械学报， 2008， 39（11）： 180—183， 206.

LUO Yuegang， DU Yuanhu， REN Zhaohui， et al. Nonlinear characteristics of twospan rotorbearing system with coupling faults of pedestal looseness and rubimpact [J]. Transactions of the Chinese Society for Agricultural Machinery， 2008， 39（11）： 180—183， 206.

[7] Adiletta G， Guido A R， Rossi C. Chaotic motions of a rigid rotor in short journal bearings [J]. Nonlinear Dynamics， 1996， 10（3）： 251—269.

[8] 姚红良， 刘长利， 张晓伟， 等. 支承松动故障转子系统共振区动态特性分析 [J]. 东北大学学报（自然科学版）， 2003， 24（8）： 798—801.

Yao Hongliang， Liu Changli， Zhang Xiaowei， et al. Dynamics of pedestal looseness rotor system near the critical speed region [J]. Journal of Northeastern University （Natural Science）， 2003， 24（8）： 798—801.

[9] 韩清凯， 于涛， 王德友， 等. 故障转子系统的非线性振动分析与诊断方法 [M]. 北京： 科学出版社， 2010.

HAN Qingkai， YU Tao， WANG Deyou， et al. Nonlinear Vibration Analysis and Diagnosis Methods of Fault Rotor System [M]. Beijing： Science Press， 2010.

[10] Yang Liu， Xingyu Tai， Qinliang Li， et al. Characteristic analysis of loosenessrubbing coupling fault in dualdisk rotor system [J]. Journal of Vibroengineering， 2013， 15（4）： 1765—1777.

[11] Lesaffre N， Sinou J J， Thouverez F. Contact analysis of a flexible bladedrotor [J]. European Journal of Mechanics A/Solids， 2007， 26（2007）： 541—557.

[12] Barzdaitis V， Bogdevicius M， Didziokas R. Diagnostics procedure for identification of rubs in rotor bearings [J]. Journal of Vibroengineering， 2010， 12（4）： 552—565.

[13] 杨金福，杨晟博，陈策，等. 滑动轴承转子系统的稳定性研究 [J]. 航空动力学报， 2008， 23（8）： 1420—1426.

滚动轴承故障 第12篇

滚动轴承是机械设备中最常用的部件, 被人们称为机械的关节。在旋转机械的各种故障中, 滚动轴承故障占有相当大的比例。它在机械设备中起着承受载荷和传递载荷的作用, 其运行状态是否正常往往直接影响到整台机器的性能。据有关资料统计, 机械故障的70%是振动故障, 而振动故障中有30%是由滚动轴承引起的。所以滚动轴承的故障诊断方法, 一直是机械故障诊断中重点发展的技术之一。因此滚动轴承故障诊断技术是机械设备故障诊断技术的重要组成部分, 分析研究滚动轴承故障诊断技术具有重大的科学价值和实际意义。

数据融合一词最早提出于20世纪70年代, 用于军事, 如地面战车、水上舰船等目标的检测。而随着数据融合技术的发展, 近年来, 该技术也应用于故障诊断领域, 即利用数据在不同层次 (或级别) 上的融合来进行故障诊断。在对旋转机械进行故障诊断的过程中, 其故障诊断结果的可靠程度和准确度都与数据的测量情况密切相关。为了提高滚动轴承故障诊断的准确性, 可将多传感器信息融合技术用于故障诊断的检测方法。

1 数据融合

“数据融合”充分利用多个传感器资源, 通过对多个传感器及其在不同的时间或空间上获得的各种传感器数据, 依据某种准则来进行组合, 以获得被测对象的一致性解释或描述。这是一个崭新的研究方向, 其仍处在不断的变化和发展过程中。多传感器数据融合与经典信号处理方法之间也存在着本质的区别, 其关键在于数据融合所处理的多传感器信息具有更复杂的形式, 而且可以在不同的信息层次上出现, 每个层次代表了对数据不同程度的融合过程, 这些信息抽象层次包括数据层、特征层和决策层。数据融合主要有数据级、特征级和决策级融合3种方式, 其中:

(1) 数据层———在传感器的原始信息未经处理之前进行的信息综合分析, 对系统的状态、参数融合估计, 从中获取诊断所需的特征参数。这种融合方式的信息处理量大、处理时间长、实时性较差。数据层融合可以是数据到数据的融合。

(2) 特征层———信号处理技术, 通过对数据层融合的结果进行分析, 完成对特征的提取, 并与其他相关的特征信息进行融合处理, 以达到保留足够数量的重要信息和实现信息压缩, 获得所需的识别特征, 对故障进行有效的决策。

(3) 决策层———智能诊断技术, 对于各种不同的诊断结果, 利用神经网络具有非线性的特点, 有较强的学习和容错能力, 结合模糊技术主要解决那些因过程本身不确定性、不精确性而带来的困难, 并进行模糊神经网络融合推理分析, 得出最终诊断结论。

2 故障诊断的融合技术

故障诊断实际上就是根据测量所获得的某些故障表征以及系统故障源与故障表征之间的映射关系, 找出系统故障源的过程。为了充分地利用检测量所提供的信息, 在可能的情况下, 可以对每个检测量采用多种诊断方法进行诊断, 这一过程称为局部诊断;将各种诊断方法所得的结果加以综合, 则称为局部融合;将各局部诊断结果进一步综合, 将得出系统故障诊断的总体结果, 称为全局诊断结果。

滚动轴承的故障源可能具有多个故障表征, 要准确、可靠地进行故障诊断, 需要足够的故障表征。一般说来, 检测量越多, 诊断结果就越可靠。将数据融合技术引入滚动轴承故障诊断中, 通过测试滚动轴承在工作时的振动信号和声信号等2方面的数据信息, 结合给定的滚动轴承故障机理及失效形式, 找出数据信息和故障元件之间的映射关系, 然后对采集的数据信息进行融合, 从而准确地诊断出故障源。

3 神经网络数据融合的故障诊断

3.1 神经网络数据融合

基于神经网络数据融合的故障识别是从征兆空间提取各种征兆作为神经网络的输入, 利用神经网络所具有的非线性映射功能, 对网络输入的各种征兆信息进行融合识别, 最终由输出层输出识别结果, 即滚动轴承的故障类型, 从而实现信息融合故障诊断的目的。故障诊断过程从本质上讲, 就是多征兆信息的融合识别过程, 并且该过程难以用明确的数学模型来描述, 神经网络为这种识别提供了强有力的工具。

3.2 网络的输入、输出和隐层的确定

滚动轴承中常见故障有外圈故障、内圈故障及滚动体故障等。故障诊断可以选择峭度、峰值因子、脉冲因子、裕度因子、波形因子及均方根频率等作为神经网络的输入参数。

为了不增加网络的复杂性, 选用三层网络的拓扑结构形式。输入层节点数根据输入数据的矢量数确定, 输出层节点数根据需要的诊断模式确定, 隐层节点数的选择是一个很复杂的问题, 往往根据设计的经验和实验确定。

由此可以构造一个有6个输入节点的BP神经网络用于滚动轴承故障诊断。这6个输入节点分别对应于6个特征信号。这里隐层选用3个节点。输出节点的输出量分别对应外圈故障、内圈故障及滚动体故障的故障类型, 如图1所示。

3.3 BP算法的数学描述

BP网络学习是典型的有导师学习。假设BP网络每层有N个处理单元, 对第p个训练样本 (p=1, 2, …, M) , 单元j的输入总和记为apj, 输出记为opj, 则:

如果任意设置网络初始权值, 那么对每个输入模式P, 网络输出与期望输出一般总有误差, 定义网络误差为:

式中, dpj表示对第P个输入模式输出单元j的期望输出。使权值沿误差函数的负梯度方向改变。若权值wji的变化量记为Δpwji, 则:

3.4 BP网络用于特征级融合

特征层融合算法有多种, 如:D-S证据理论法、聚类算法、神经网络法等, 根据数据源及融合目标的不同来选择算法, BP神经网络算法由于简单、实用以及具有较强的容错能力和联想记忆的特点在数据融合中得到了广泛应用。

特征级融合属于中间级融合, 它将传感器输出的经过初步预处理的 (像素级的) 信息进行分类识别后给出局部信息融合的判断结果, 然后提交上层决策级进行全局决策, 这一层要求算法能够处理大量底层数据且速度快, 因此本文采用BP神经网络进行该层的数据处理和融合。

3.5 融合结果

本文以某型号的滚动轴承为例, 通过采集滚动轴承的振动信号, 对这些信号进行小波变换, 计算各个频段上的小波能量。分别提取6个最能反映故障状态的子段能量, 以此作为滚动轴承故障诊断的特征向量。这里采用MATLAB平台进行网络建模并进行仿真分析, 识别结果如表1所示。

3.6 数据融合的神经网络模型与算法

神经网络设计方法, 网络的拓扑结构如下:

(1) 输入层由于表示特征模式的分量数为6, 所以输入节点数为6;

(2) 隐层节点数取为3, 选转换函数为双极性S型函数tansig;

(3) 输出层目标矢量为3维, 所以取输出节点数为3, 选转换函数为logsig, 训练规则采用带有动量项的自适应训练规则trainlm。

图2是振动信号神经网络训练均方误差曲线图, 可以看出基于振动信号的BP神经网络收敛精度达到10-2。

4 结语

综上所述, 利用信息融合技术可得到比单一信息源更精确、更完全的判断。随着科学技术的发展, 新的、更有效的数据融合理论方法与技术将不断推出, 基于多传感器信息融合技术的故障诊断方法将不断的完善, 进而取得更为广泛的应用。

参考文献

[1]李屹, 张慧慧, 夏文杰, 等.数据融合技术在电梯故障诊断中的应用[J].制造业自动化, 2009, 31 (10) :67～71

[2]吕锋, 王秀青, 杜海莲, 等.基于信息融合技术故障诊断方法与进展[J].华中科技大学学报 (自然科学版) , 2009, 37 (1) :217～221

[3]王楠, 李文成, 李岩.基于神经网络的数据融合方法[J].光机电信息, 2010, 27 (3) :36～42

[4]GAO Hongyan.A Simple Multi-sensor Data Fusion Algorithm Based on Principal Component Analysis.2009ISECS Inter-national Colloquium on Computing, Communication, Control, and Management, 2009

[5]Zhou Zhaofa.Integrated Neural Network Multi-sensor Data Fusion Fault Diagnosis Method Based on D-S Evidence Theory[C].International Symposium on Test Automation and In-strumentation, 2008