滚动轴承故障诊断分析专家
(完整word版)滚动轴承故障诊断分析

滚动轴承故障诊断分析学院名称:机械与汽车工程学院专业班级:学生姓名:学生学号:指导教师姓名:摘要滚动轴承故障诊断本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究,并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型,给出了一些滚动轴承故障诊断常见实例。
通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。
本文对特征参数的提取,理论推导,和过程都进行了详细的阐述,关键词:滚动轴承;故障诊断;特征参数;特征;ABSTRACT :The Rolling fault diagnosisIn the thesis ,the fault types,diagnostic methods an d vibration principle of rolling bearing are discussed.the thesis sets up a series of academic m odels of faulty rolling bearings and lists some sym ptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration prin ciple of rolling bearings can help us to know the essence and feature of rolling bearings.In this paper, the parameters of the extraction, theoretical a nalysis, and process are described in detail. Keywords: Rolling Bearing; Fault Diagnosis; Symptom P arameter; Distinction Index; Distinction Rate0引言:随着科技的发展,现代工业正逐步向生产设备大型化、复杂化、高速化和自动化方向发展,在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势。
希尔伯特-黄变换在轴承故障诊断中的应用研究

希尔伯特-黄变换在轴承故障诊断中的应用研究作者:朱文来来源:《科技创新导报》 2013年第34期朱文来(辽宁省兴城市92419部队辽宁兴城 125106)摘要:该文通过运用希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)对轴承的故障信号进行分析,用以诊断故障类型,并取得了较好的效果,为轴承故障诊断提供了一项可行方法。
关键词:希尔伯特-黄变换轴承故障诊断中图分类号:TH133.33文献标识码:A 文章编号:1674-098X(2013)12(a)-0021-01希尔伯特-黄变换是1998年美籍华人Norden E. Huan等人提出的一种新的信号处理方法,这种方法包括经验模态分解方法(EMD)和Hilbert变换两个过程,EMD方法是其中的重要部分。
基于EMD的信号处理方法经验证在很多方面的应用效果都优于其它的信号处理方法,目前在设备故障诊断中得到了广泛的应用。
轴承在旋转机械中是非常重要的部件,当滚动轴承出现局部损伤时,在受载运转过程中,轴承的其它零件会周期地撞击损伤点,产生的冲击力激励轴承座及其支撑结构,形成一系列由冲击激励产生的减幅振荡,减幅振荡发生的频率为故障特征频率。
滚动轴承的故障振动信号为典型的非平稳随机信号。
该文通过使用希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)对滚动轴承的故障信号进行分析,以诊断故障类型。
1 滚动轴承的故障诊断1.1 旋转特征频率计算1.1.1滚动轴承损伤而引起的振动滚动轴承由内环、外环及滚动体组成,其损伤引起的振动主要表现为:内环有缺陷时的振动:当内环的某个部分存在剥落、裂纹、压痕、损伤等缺陷时,所发生振动的振动频率为f0及其高次谐波2 f0,3 f0,……。
由于轴承通常有径向间隙而使振动受到轴的旋转频率fr或滚动体的公转频率fc的调制。
外环有缺陷时的振动:当外环有缺陷时,轴承所产生振动的振动频率为fi及其高次谐波2fi,3fi……。
声发射检测技术用于滚动轴承故障诊断的研究综述_郝如江

振 动 与 冲 击第27卷第3期J OURNAL OF V IBRAT I ON AND SHOCKVo.l 27No .32008声发射检测技术用于滚动轴承故障诊断的研究综述基金项目:863计划(2006AA04Z438)资助;河北省自然科学基金(E2007000649)资助收稿日期:2007-06-25 修改稿收到日期:2007-07-12第一作者郝如江男,博士生,副教授,1971年生郝如江1,2, 卢文秀1, 褚福磊1(1.清华大学精密仪器与机械学系,北京 100084;2.石家庄铁道学院计算机与信息工程分院,石家庄 050043)摘 要:声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射。
从几个方面综合阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行故障模式识别以及声发射检测和振动检测的比较问题。
通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用。
关键词:声发射;滚动轴承;故障诊断中图分类号:TH 113,TG 115 文献标识码:A滚动轴承是各种旋转机械中最常用的通用零部件之一,也是旋转机械易损件之一。
据统计,旋转机械的故障有30%是轴承故障引起的,它的好坏对机器的工作状况影响极大[1]。
滚动轴承主要损伤形式有:疲劳、胶合、磨损、烧伤、腐蚀、破损、压痕等[2]。
轴承的缺陷会导致机器剧烈振动和产生噪声,甚至会引起设备的损坏。
因此,对重要用途的轴承进行工况检测与故障诊断是非常必要的。
滚动轴承故障的检测诊断技术有很多种,如振动信号检测、润滑油液分析检测、温度检测、声发射检测等。
在各种诊断方法中,基于振动信号的诊断技术应用最为广泛,该技术分为简易诊断法和精密诊断法两种。
频谱分析法诊断滚动轴承故障

滚动体数量 :1 ; 6
压 力角 仅:O 。 。
将以上数据代人式 () 4 ,可得轴承各元件的故障
特征 频率 :
= 1. H ; = o1H ;  ̄3. z f 5 z 145 z A 8. z J 3 H ; = H 。 4 8 = 4 i 42 建 立振动 诊 断体 系 . 建立振动检测诊断体系 ,一方面要对 同一台设备 定期 进行 检测 ,积 累大 量的数据 ,进 行纵 向比较分 析 ;另一方面对 同类积累的数据进行横 向比较分析 , 通过长期实践 ,尤其是对设备故 障时的波型及频谱积 累进行分析 ,总结一般性规律 ,是对设备振动类型进 行辨识 、准确分析设备故障的依据。对引风机检测点 的设置 ,一般按照 电机外侧 、电机 内侧 、风机 内侧 、
c 删
) z
.
()滚动体特征频率 ( ), 3 即滚动体上的某一损 伤点与内圈或外圈接触过程中产生的振动频率 :
1 D
=
1
一
(2 ] 吾o )2 e 8
( 3 )
0§ T 5 7
()保持架特征频率 ( : 4 )
维普资讯
5 8
该问题时 ,更换滚动轴承一个滚动体后 ,由于轴承问
题而导致引风机4 检测点振动增大的故障得到解决。 H 在每一 幅引风机频谱图上 ,频率为1. H 处的峰 21 z 7 值是工作转速频率 ( 通常称为1 P ) X R M ,而从位移谱 到速度谱再到加速度谱变化过程 中,1 R M X P 峰值会变 得越来越小 。在位移谱 中1 R M占主导地位 ,而在加 XP
方法 的使 用存 在局 限性 。
图1 轴承元件上 的疲劳剥落
( 内圈特征频率 ( ), 1 ) 即内圈上的某一损伤点 与滚动体接触过程中产生 的振动频率 :
SKF轴承及轴承故障诊断

n 的不同, p
n
2. 滑动轴承的典型结构
对开式 整体式
油环轴承
推力滑动轴承
椭圆轴承和多油楔轴承
带锥形表面轴套的轴承
对开式
1. 滑动轴承的特点、类型及应用
液体摩擦是最理想的情况,汽轮机等长期且高速旋转的
机器,应该确保其轴承在液体润滑条件下工作。在一般 机器中,摩擦表面多处于干摩擦、边界摩擦和液体摩擦 的混合状态,称为混合摩擦(或称为非液体摩擦)。
1. 滑动轴承的特点、类型及应用
左图为摩擦副的摩擦特
性曲线,这条曲线是由实验
1. 滑动轴承的特点、类型及应用
液体摩擦 若两摩擦表面间具有足
够的润滑油,而且能满足一定的条 件,则在两摩擦表面间可形成厚达 几十微米的压力油膜,能将相对运 动着的两金属表面隔开,此时,只 有液体之间的摩擦,称为液体摩擦, 又称液体润滑。
液体摩擦
摩擦系数很小 0.0010.01 ,能
显著减少摩擦和磨损。
二、轴承的种类及应用
2.1滑动轴承
切割硼化钛陶瓷断面(x7)
切口横截面的结构形状(x7)
纯水型
磨料型
上部区域
中部区域
下部区域
高压水射流切割的两种类型
研究基于以下基本假设:
1)假定套圈具有弯曲刚性,即不考虑套圈的弯曲变形, 所有的变形仅为弹性接触变形,变形规律符合Hertz弹性 接触理论; 2)钢球与滚道之间为平面接触,钢球在滚道上做纯滚动, 不考虑滑动; 3)假定外圈不绕其轴线转到,外圈只有五个自由度; 4)驱动轴轴线不发生位移; 5)假定驱动轴转速恒定,即不考虑转速的波动,假定内 圈与轴颈刚性配合; 6)不考虑保持架的质量。
参数优化FMD的滚动轴承早期故障诊断

参数优化FMD的滚动轴承早期故障诊断
王晓真;彭勃;王家忠;万书亭
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2024()6
【摘要】由于滚动轴承早期故障信号特征微弱,特征模态分解(feature mode decomposition, FMD)分解性能受参数滤波器长度L和模态个数n的影响,提出一种参数优化FMD早期故障诊断方法。
首先,基于平方包络谱基尼系数(square envelope spectrum gini indix, SESGI)自适应确定FMD的滤波器长度L和模态个数n;其次,采用参数优化的FMD将信号分解为n个模态分量,并根据峭度值最大选择敏感模态分量;最后,对敏感模态分量进行包络分析,判断滚动轴承故障类型。
仿真和实验结果表明,该方法可以自适应确定FMD最优参数组合,有效提取故障特征信息。
通过与变分模态分解(variational mode decomposition, VMD)对比分析,参数优化FMD提取到的故障特征频率倍频较明显,具有更好的特征提取性能,能够实现滚动轴承故障的精确诊断。
【总页数】4页(P131-134)
【作者】王晓真;彭勃;王家忠;万书亭
【作者单位】河北农业大学机电工程学院;华北电力大学河北省电力机械装备健康维护与失效预防重点实验室
【正文语种】中文
【中图分类】TH133.3;TG66
【相关文献】
1.基于参数优化变分模态分解的滚动轴承早期故障诊断
2.基于参数优化的MCKD 的滚动轴承早期故障诊断
3.基于参数优化MLOG与SAM的滚动轴承早期故障诊断
4.CEEMDAN与参数优化多尺度排列熵结合的滚动轴承早期故障诊断
因版权原因,仅展示原文概要,查看原文内容请购买。
滚动轴承常见故障及故障程度诊断方法

滚动轴承常见故障及故障程度诊断方法滚动轴承是一种常见的机械传动部件,广泛应用于各种设备和机器中。
然而,由于长期的运转和使用,滚动轴承可能会出现各种故障。
及早诊断并解决这些故障,可以提高设备的工作效率和寿命。
下面将介绍一些常见的滚动轴承故障以及相应的故障程度诊断方法。
1.磨损故障:磨损是滚动轴承最常见的故障之一、它可能是由于振动、超负荷、不当润滑或外部杂质等因素引起的。
磨损故障的特点是滚道、轴承座和滚珠表面的磨损或变形。
在诊断方面,可以使用肉眼观察滚道和滚珠表面的磨损情况,并通过手感判断是否存在磨损故障。
2.疲劳故障:疲劳是滚动轴承的另一种常见故障。
它通常是由高载荷、频繁起停、轴向冲击或轴承内部结构缺陷等因素引起的。
疲劳故障的特点是滚珠或滚道出现裂纹或剥落。
在诊断方面,可以使用显微镜观察滚珠和滚道表面的裂纹或剥落情况,或者进行动态振动分析以检测是否存在疲劳故障。
3.温升故障:温升是滚动轴承的常见故障之一,通常是由于不当润滑、过高的润滑脂粘度、轴承过紧或过松、内部结构问题等因素引起的。
温升故障的特点是轴承运行时温度升高。
在诊断方面,可以使用红外热像仪测量轴承温度,或使用测温仪对轴承不同部位进行温度测量,以判断是否存在温升故障。
4.噪声故障:噪声是滚动轴承常见的故障之一,通常是由于轴承松动、滚珠损坏、滚子不对中、不正确的润滑或外部冲击等因素引起的。
噪声故障的特点是轴承运行时产生噪声。
在诊断方面,可以使用听诊器或声音分析仪对轴承的运行声音进行监测和分析,以判断是否存在噪声故障。
5.润滑故障:滚动轴承的润滑是保证轴承正常运行的重要因素,不当的润滑可能会导致轴承故障。
润滑故障的特点是润滑油脂污染、量不足或过多、润滑脂分解或硬化等。
在诊断方面,可以通过观察润滑油脂的颜色、质地和气味来判断是否存在润滑故障。
除了上述常见的滚动轴承故障,还有一些其他故障,如过载、轴向偏移、振动等。
对于这些故障,可以使用适当的仪器和设备,如振动测量仪、位移传感器等进行诊断和监测。
关于铁路货车滚动轴承的故障分析及对策王卫红

关于铁路货车滚动轴承的故障分析及对策王卫红发布时间:2023-05-30T09:13:49.921Z 来源:《小城镇建设》2023年3期作者:王卫红[导读] 列车是以轨道交通为主要载体的列车,作为列车行走部的关键传动元件,其技术状况将直接关系到列车的使用安全性,在目前我国列车安全状况不断好转的情况下,其热燃轴的失效将严重威胁列车的正常运营,严重威胁列车的正常运营。
对滚子轴承热轴故障进行剖析,寻找防止燃烧切割的薄弱环节,从造修源头质量入手,对故障进行早期预警,是目前实现滚子轴承故障高效降低的必由之路。
中车齐齐哈尔车辆有限公司摘要:列车是以轨道交通为主要载体的列车,作为列车行走部的关键传动元件,其技术状况将直接关系到列车的使用安全性,在目前我国列车安全状况不断好转的情况下,其热燃轴的失效将严重威胁列车的正常运营,严重威胁列车的正常运营。
对滚子轴承热轴故障进行剖析,寻找防止燃烧切割的薄弱环节,从造修源头质量入手,对故障进行早期预警,是目前实现滚子轴承故障高效降低的必由之路。
关键词:铁路货车;轴承;故障;对策1故障概况1.1热轴情况调查目前,有很多工厂都在从事着铁路货车的滚动轴承的制造,但是有些工厂的轴承的安全技术保障能力并不强,所制造出来的轴承无法满足货车重载、高速的要求,再加上在轮轴人段进行维修的时候,没有能够及时地找到早期的问题,或者因为维修的过程中存在的问题,导致了出现磕碰、电蚀等问题。
而有问题的轴承在装车之后,在重载压迫、剧烈振动的情况下,很容易出现密封罩松脱、轴承组件辗皮、剥离、裂纹和破损等问题,这些都是导致滚动轴承热轴、切轴的原因。
而滚动轴承总成,密封装置,保持架都是密封的,出现了问题也无法直接看出。
在早期,由于轴向温度的差异不大,当出现严重的情况时,轴向温度迅速升高,很容易在很短的时间和距离内引起热轴和切轴。
根据对一个路段2020年所出现的热轴承失效情况的调查,发现经过红外轴承温度检测系统(THDS)预测并确认为热轴承失效事故2起。
基于1D-CNN的滚动轴承端到端故障诊断方法

准确率/%
96.01
99.33
时间/s
0.03
0.03
128伊1 99.77 0.05
由表 2 可以看出,随着卷积核尺寸的增加,模型在测试集中 的准确率随之提高,当卷积核尺寸由 32 增加到 64 时,准确率由 96.01%提升到 99.33%,提高了 3.46%,计算时间变化不大,当卷 积核尺寸由 64 增加到 128 时,准确率提升不多,仅提升 0.44%, 但由于计算参数的增加,计算所消耗的时间增加了 0.02 s,对网 络准确率提升不高,却造成了比较多的资源消耗,因此选择 64伊 1 作为第一层卷积核的尺寸。具体诊断网络模型参数见表 3。
-
--
2.4 实验结果 使用上述数据集,对比所确立的模型进行训练。训练过程
中,全连接层使用 Dropout 防止过拟合问题,Dropout 比率设置 为 0.2,Adam 算法的学习率为 0.001。为了保证模型的可靠性, 在训练工程中,每个数据集迭代 60 次。为了直观地观察模型对 每种故障的识别情况,采用混淆矩阵表示实验结果如图 6 所示, 图中行表示实际分类,列表示预测分类。其中在混淆矩阵中,0~ 9 分别代表不同的类别,具体混淆矩阵标识说明见表 4。
0 引言 旋转机械设备广泛应用在航天、交通、工业制造和风力发电
等重要工程领域[1],其在重大工程中扮演着不可或缺的角色,设 备发生故障或者停机可能造成严重后果。旋转机械设备中滚动 轴承是其非常重要的零部件[2],同时滚动轴承在恶劣工况下容易 出现磨损、裂纹、断裂等故障[3]。因此,采用故障诊断技术对滚动 轴承状态的准确识别,可以有效防止轴承故障引起的意外事故。 传统的故障诊断技术有:自回归滑动平均模型(Autoregressive moving average model,ARMA)[4]、 变 分 模 态 分 解(Variational Mode Decomposition,VMD)[5]、小波分析[6]、概率神经网络(Proba原 bilistic Neural Network,PNN)[7]等得到了广泛的应用。随着大数 据时代的到来,利用海量数据驱动轴承故障诊断算法成为近些 年的研究热点。其中基于深度学习算法的轴承故障诊断成为现 阶段的主流。主要手段如下:首先人为处理原始信号,然后将信 号输入到深度学习算法中,再通过分类器对故障识别。
滚动轴承和齿轮振动信号分析与故障诊断方法

滚动轴承和齿轮振动信号分析与故障诊断方法目录一、内容简述 (2)1. 相对介绍 (3)2. 重要性和研究背景 (4)3. 文档结构 (6)二、滚动轴承和齿轮的工作原理 (7)1. 滚动轴承结构与工作原理 (8)2. 齿轮结构与工作原理 (10)三、振动信号分析方法 (11)1. 时域分析 (13)1.1 振幅分析 (14)1.2 相位分析 (15)1.3 autocorrelation函数分析 (16)1.4 其他时域分析方法 (18)2. 频域分析 (20)3. 统计特性分析 (21)四、滚动轴承和齿轮的常见故障类型及其特征 (22)1. 滚动轴承故障 (24)1.1 轴承滚动体磨损 (25)1.2 轴承内圈/外圈损坏 (27)1.3 轴承滚道损伤 (28)2. 齿轮故障 (29)五、滚动轴承和齿轮故障诊断方法 (30)1. 基于时域分析的故障诊断方法 (31)2. 基于频域分析的故障诊断方法 (33)2.1 特点峰值识别 (34)2.2 基于经验模态分解 (35)3. 基于机器学习的故障诊断方法 (37)3.1 支持向量机 (38)3.2 神经网络 (NN) (40)3.3 其他机器学习算法 (41)六、实验验证与案例分析 (43)1. 实验平台搭建 (44)2. 仿真数据分析 (45)3. 实际工程案例分析 (46)七、结论与展望 (48)1. 研究成果总结 (49)2. 未来研究方向 (50)一、内容简述本文档旨在系统化介绍滚动轴承和齿轮振动信号的分析方法及其在故障诊断中的应用。
通过对这些关键机械组件的基础振动行为进行分析,我们旨在开发高效准确的诊断工具,用以预测和识别潜在的机械故障。
文档分为几个主要部分:引言本部分阐述了滚动轴承和齿轮在机械系统中的重要性,以及振动分析和故障诊断在维护实践中的作用。
我们还强调了目前的研究趋势和技术挑战。
滚动轴承振动理论在这一章节,我们将详细讨论滚动轴承的振动特性,包括基础振动模型、不同类型的滚动轴承及其振动行为,以及振动信号的物理意义。
滚动轴承故障频谱特征分析

发电厂中的滚动机械很多,作为重要部件的滚动轴承广泛用于电厂各类机械驱动系统中。
滚动轴承的作用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,是一种精密的机械元件。
滚动轴承具有使用维护方便,工作可靠,起动性能好,在中等速度下承载能力较高等优势,也有减振能力较差,高速时寿命低,声响较大等劣势。
工作中的滚动轴承即使润滑良好,安装正确,防尘防潮严密,运转正常,最终也会因为滚动接触表面的疲劳而失效。
滚动轴承的损坏会导致机械系统出现故障,严重情况下甚至会造成人身伤害。
为保证机械系统的正确运行以及人身安全,需要采取有效的轴承故障分析方法,尽早发现故障以采取应对措施。
一、滚动轴承常见故障1.磨损。
滚动轴承内滚道与滚动体的相对运动会产生磨损;多尘环境中外界的尘土、杂质侵入到轴承内,也会使滚道与滚动体表面产生磨损;润滑不良,还会产生黏着磨损,这种黏着磨损随着轴承转速越高会日益加剧。
还有一种微振磨损,即滚动轴承不旋转但出于振动中时,滚动体与滚道接触面间存在往复的微小滑动,在滚道上产生波纹状的磨痕。
磨损产生后,表面粗糙度增大,轴承游隙加大,运动精度降低,噪声和振动都会增强。
2.疲劳剥落。
工作时轴承滚动体表面与滚道由于交变载荷的作用,先在轴承表面下一定深度处产生裂纹,裂纹逐步扩展至接触表层产生剥落坑,随着时间的增长剥落坑进一步增大会导致滚动体或滚道的局部表层金属大面积剥落,使轴承产生振动和噪声。
3.腐蚀。
当有电流通过滚动轴承内部时,滚动体和滚道间接触点处引起火花使轴承表面局部熔融,产生波纹状凹凸不平;水分、空气水分的直接侵入滚动轴承也会引起轴承表面的锈蚀。
此外,轴承套圈在轴颈或座孔中的微小相对运动也会造成微振腐蚀。
4.塑性变形。
热变形引起的额外载荷、过大的静载荷或冲击载荷、高硬度异物的侵入等情况的发生,会在滚动轴承滚道表面形成划痕或不均匀的凹痕,压痕产生后会进一步加大冲击载荷引起附近表面的剥落,引起轴承塑性变形,进一步加剧轴承振动和噪声。
基于db10小波的电机轴承故障信号分析

119科技资讯 S CI EN CE & T EC HNO LO GY I NF OR MA TI ON动力与电气工程轴承运行状态是否良好会直接影响到整台机器的性能(包括:精度、可靠性及寿命等)。
就旋转机械而言,据统计,现场故障中30%是由于滚动轴承故障而引起的。
因此,对滚动轴承的故障诊断已经成为各国研究的热点。
1 滚动轴承的故障分析轴承失效形式有:疲劳失效,磨损失效,腐蚀失效等。
根据产生缺陷元件的不同,滚动轴承的缺陷特征频率可用如下公式计算:Z f D d f scos 1210 外环 (1)Z f D d f s icos 121 内环 (2)其中,Z为滚动体数目;s f 为轴的旋转频率;d为滚动体直径;D为节圆直径;i f 为内圈转动频率;0f 为外圈转动频率; 为轴承的压力角。
滚动轴承的故障诊断方法主要有:滚动轴承特征参数判断法,共振解调分析方法,功率谱分析方法,小波变换分析方法[1]。
小波变换具有多分辨率分析的特点,而且在时、频域都具有表征信号局部特征的能力,适合分析非平稳信号,并可以提取隐藏在高频衰减振动信号中的故障特征[2]。
2 滚动轴承故障诊断2.1滚动轴承参数介绍因为条件的限制,所以使用凯斯西储大学(C WRU )轴承中心在网络上提供的数据,本文对外环缺陷振动信号和频谱图进行分析。
C W R U 轴承中心实验使用的轴承型号是SKF公司的6205—2RS深沟球轴承。
①作者简介:导师:董绍江,机械电子工程。
本科生:刘文韬,机械电子工程,学号10490232。
基于db10小波的电机轴承故障信号分析①刘文韬1 董绍江1 刘娟2 陈里里1 徐向阳1 罗家元1 王春发1 许洲舟1 安治国1 朱孙科1 林立1(1.重庆交通大学机电与汽车工程学院 重庆 400074;2.重庆第二师范学院图书馆 重庆 400065)摘 要:滚动轴承故障诊断的关键是对振动信号进行分析和处理,并提取滚动轴承的故障特征。
基于GADF与卷积神经网络的滚动轴承故障诊断研究

第38卷第5期2021年5月机㊀㊀电㊀㊀工㊀㊀程JournalofMechanical&ElectricalEngineeringVol.38No.5May2021收稿日期:2020-09-09基金项目:辽宁省自然科学基金资助项目(2019BS186)作者简介:刘红军(1971-)ꎬ男ꎬ辽宁沈阳人ꎬ副教授ꎬ硕士生导师ꎬ主要从事数字化制造技术方面的研究ꎮE ̄mail:133****8635@163.comDOI:10.3969/j.issn.1001-4551.2021.05.010基于GADF与卷积神经网络的滚动轴承故障诊断研究∗刘红军ꎬ魏旭阳(沈阳航空航天大学机电工程学院ꎬ辽宁沈阳110000)摘要:为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型ꎮ首先ꎬ将一维时序振动信号通过格拉姆角差场转化为二维图像ꎬ提取了图像特征ꎬ并输入了改进后的CNN模型ꎻ其次ꎬ改进的CNN模型采用全局池化层替代了传统的全连接层ꎬ有效地解决了传统CNN模型参数爆炸的问题ꎻ最后ꎬ进行了试验研究ꎬ通过Adam小批量优化法进行了迭代训练ꎬ达到了理想的检测精度ꎮ试验与研究结果表明:该诊断方法在特征提取方面更快速㊁准确ꎬ充分展现了CNN模型的非线性表达能力ꎬ检测精度优于其他智能诊断算法ꎮ关键词:格拉姆角差场ꎻ故障诊断ꎻ卷积神经网络ꎻ深度学习中图分类号:TH133.33㊀㊀㊀㊀文献标识码:A文章编号:1001-4551(2021)05-0587-06RollingbearingfaultdiagnosisbasedonGADFandconvolutionalneuralnetworkLIUHong ̄junꎬWEIXu ̄yang(CollegeofElectromechanicEngineeringꎬShenyangAerospaceUniversityꎬShenyang110000ꎬChina)Abstract:Inordertogivefullplaytotheadvantagesofdeeplearningrecognitionintwo ̄dimensionalimageinrollingbearingfaultdetectionꎬanintelligentfaultdiagnosismodelbasedonGramangledifferencefield(GADF)andimprovedconvolutionalneuralnetwork(CNN)wasproposed.Firstlyꎬtheone ̄dimensionaltimeseriesvibrationsignalwastransformedintoatwo ̄dimensionalimagethroughthegramangledifferencefieldꎬandthetargetimagefeatureswereextractedandinputintotheimprovedCNNmodel.Secondlyꎬtheglobalpoolinglayerin ̄steadofthetraditionalfullconnectionlayerwasusedbytheimprovedCNNmodelꎬwhicheffectivelysolvedtheproblemofparameterexplo ̄sionofthetraditionalCNNmodel.FinallytheidealdetectionthroughiterativetrainingwithAdamsmallbatchoptimizationmethodaccuracywasachieved.Thetestandcomparisonresultsshowthatthediagnosismethodismorerapidandaccurateinfeatureextractionꎬfullydemon ̄stratesthenonlinearexpressionabilityofCNNmodelꎬandthedetectionaccuracyisbetterthantheotherintelligentdiagnosisalgorithms.Keywords:Gramangledifferenceꎻfieldfaultdiagnosisꎻconvolutionneuralnetworkꎻdeeplearning0㊀引㊀言在现今机械设备中ꎬ旋转机械是机械设备中最常见和最重要的组成部件之一ꎮ滚动轴承作为旋转设备最基本的结构之一ꎬ对机械设备的寿命与稳定性有着决定性的影响ꎮ因此ꎬ国内外许多学者对滚动轴承的故障检测进行了深入的研究[1]ꎬ并提出了许多有价值的方法ꎮ大部分检测方法多采用对滚动轴承的故障信号进行分析ꎬ提取有效特征作为输入ꎬ导入各种分类器中进行识别ꎮ如杨宇等[2]通过EMD和神经网络结合的故障诊断方法ꎻ刘韬等[3]通过KPCA和耦合隐马尔科夫模型的轴承故障诊断ꎮ但此类方法存在过程复杂㊁缺少灵活性㊁对专家的经验与知识具有依赖性ꎬ以及分类器缺少非线性拟合能力等问题ꎮ近些年来ꎬ深度学习的非线性拟合能力在轴承故障检测方面得到了充分的展示ꎬ并获得了理论上的高精度诊断水平ꎮ其中ꎬ卷积神经网络(CNN)因其自身具有共享权值与偏重㊁局部感受野和子采样测量等特点ꎬ与深度信念网络(DBN)[4]和限制玻尔兹曼机(RBM)[5]等其他深度学习方法相比ꎬ在语音以及图像分类任务方面具有较大的优势ꎮ同时ꎬ其在故障诊断领域的应用也日益增多ꎮCNN在执行数据分类任务时ꎬ作为输入的数据集可分为一维数据和二维数据两类ꎮ如孙曙光等[6]提出的一维CNN的低压万能式断路器附件故障诊断ꎻ肖雄等[7]的一种二维CNN优化轴承故障诊断方法ꎮWUY等[8]对两种类型数据进行了比较ꎬ认为在已有的大多数CNN模型中ꎬ二维图像数据更适用于神经网络的模型的训练ꎮ而如何将一维振动信号清晰地转化为二维图像数据ꎬ成为智能故障检测的重要难点ꎮ基于以上分析ꎬ笔者提出一种新的故障诊断方式ꎬ由格拉姆角差场(GADF)时间序列编码方式[9]将一维时序数据转换为二维图像数据ꎬ并结合改进的CNN模型进行预测ꎬ以达到高精度诊断的效果ꎮ1㊀格拉姆角差场图像编码转换GADF图像编码的本质是通过格拉姆角场(GAF)ꎬ将获取到的一维时序数据转化为二维图像数据的方法ꎻ将时间序列X缩放入区间[-1ꎬ1]ꎬ再将其极坐标化得到xꎮ其过程如下:xi-1=xi-maxX()()+xi-minX()()maxX()-minX()(1)θ=arccosxi()ꎬ-1ɤxiɤ1ꎬxiɪXr=ti/NꎬtiɪN(2)经过上述变换过程ꎬ即可将一维时间序列数据转换为对称的带有颜色㊁点㊁线的对称特征图像ꎮ当GAF基于正弦函数时生成格拉姆角差场(GADF)ꎬ如下式所示:GADF=sin(θ1+θ1) sin(θ1+θn)⋮⋱⋮sin(θn+θ1)sin(θn+θn)éëêêêùûúúú(3)通过编码转化为二维图像ꎬGADF编码的示意图如图1所示ꎮ图1㊀GADF编码示意图在图1中ꎬ当第一个波峰出现时ꎬ在两种特征图中出现颜色较浅的对称交叉线ꎻ而当峰值波动较大时ꎬ特征图中与其对应的对应交叉线其颜色更为明显ꎻ与此同时ꎬ其余较小的震动在GADF特征图中也完整地表现出来ꎮ由此可见ꎬGADF可以将滚动轴承的震动信号完整地映射为二维特征图像ꎬ并作为CNN模型的输出ꎮ2㊀卷积神经网络卷积神经网络(CNN)是一种前馈式神经网络ꎬ其卷积层与池化层具有强大的数据特征提取能力ꎬ适用于处理图像与声音等网状结构数据ꎬ神经网络模型中滤波器通过对输入数据的迭代和分析来获得更多的有效特征和隐藏信息ꎻ同时结合稀疏式全连接和权重偏置的共享机制ꎬ在时间与空间上进行采样ꎬ降低了数据的复杂程度ꎬ相比其他神经网络结构类型减少了训练量ꎬ有效避免了算法过拟合ꎮCNN模型结构简图如图2所示ꎮ图2㊀CNN模型结构简图2.1㊀卷积层卷积层是整个神经网络模型的核心所在ꎬ它通过对输入图像数据的卷积运算提取图像中的特征信息ꎮ卷积层的具体运算如下:xlj=f(ðiɪMJXl-1I∗klij+blj)(4)式中:f 激活函数ꎻl 网络模型中的第l层ꎻxlj 第l层中的第j个特征图像ꎻklij 卷积核的权值ꎻblj 运算所需的偏置ꎻMJ 输入模型的二维图像数据集ꎮ2.2㊀池化层池化层的主要目的是降低卷积层处理后的数据维度ꎮ因为卷积后的数据虽然具有了之前数据的特征信885 机㊀㊀电㊀㊀工㊀㊀程第38卷息ꎬ但是其特征维度也急剧增长ꎮ为了汇总特征平面的输出ꎬ通常采用两种池化方式ꎬ即平均池化与最大池化方式ꎮ其中ꎬ池化层的具体运算如下:xlj=f(βljdown(xl-1j+blj))(5)2.3㊀全局池化层与传统的全连接层相比ꎬ全局池化层降低了运算的参数量ꎬ提高了模型的泛化能力ꎬ减少了过拟合情况的发生ꎮ与Dropout[10]相比ꎬ全局池化层提高了正则化效果ꎮ在现代卷积架构中ꎬ全局池化已经逐渐取代了Dropout的位置ꎮ全局池化[11]的核心思想是ꎬ将每张图片的所有特征值融合为一个特征值ꎬ实现张量的降维转换ꎬ使特征值的维数等于最后一层卷积层的数目ꎮ设最后层卷积层特征图大小为mnꎬ其中第n张特征图的值用xl()ij表示ꎬ则经过不同类型的全局池化操作后ꎬ该特征值yl()可以表示为:yl()=max[xl()ij](6)yl()=1m∗nðmi=0ðnj=0xl()ij[](7)其中ꎬ式(6)代表的是最大全局池化ꎬ式(7)为全局平均池化ꎮ3㊀试验研究3.1㊀数据采集及编码为评估GADF ̄CNN算法对滚动轴承故障智能诊断的有效性和准确性ꎬ此次采用的试验数据集为美国凯西储大学(casewesternreserveuniversityꎬCWRU)公开的深沟球轴承故障数据集ꎮ电机负载状态为1797r/min㊁1772r/min㊁1750r/min㊁1797r/min4种ꎬ故障分为外圈㊁内圈与流动体ꎻ采集频率为12kHzꎬ采用传感器置于电机的驱动端的12个位置进行采集ꎬ采集时长为10sꎻ因传感器采集信号时ꎬ转轴每圈所采集到的采样点约为400个ꎻ为确保数据集的稳定性ꎬ每种故障分类样本长度设置为500个采样点ꎬ各200个样本ꎮ本文选取1797r/min负载下ꎬ包括正常状态与11种故障状态的共12种情况作为数据集ꎬ分别由0~11数字表示ꎬ取前80%为训练集ꎬ输入已建立好的CNN模型ꎻ其余为测试集对训练好的神经网络模型进行检验ꎮ二维故障图分类图如图3所示ꎮ3.2㊀卷积神经网络模型超参数优选超参数的选择决定了整个卷积神经网络模型在故图3㊀二维故障图分类图障诊断的精准度ꎬ通常CNN中主要的超参数有卷积核㊁池化核㊁优化器㊁激活函数㊁学习率等ꎮ本次实验为了掌握不同超参数对CNN模型图像处理性能的不同影响经过多次调参ꎬ确立了一种由3卷积层与双池化层穿插连接ꎬ采用全局池化层替代传统卷积层的神经网络模型ꎮ该模型搭建平台为tensor ̄flow2.0.0GPU版ꎬ编译语言为Python3.7.3ꎬ计算机CPU为i7㊁Windows10ꎮ改进CNN模型结构表如表1所示ꎮ表1㊀改进CNN模型结构表模型参数卷积层C1池化层S2卷积层C3池化层S4全局池化层输出层数目64646464641大小3∗32∗23∗32∗21123.2.1㊀激活函数的选择激活函数决定了CNN模型非线性表达能力ꎬ而该激活函数通常根据经验来设置ꎮ但是这种方式随机性较大[12]ꎮ为此本文选择了常用的3种常用的激活函数进行对比试验ꎮ3种常用的激活函数对比如表2所示ꎮ表2㊀激活函数对比表实验激活函数准确率训练时长1Relu0.9630.3552Sigmoid0.5630.2613Tanh0.9450.32㊀㊀由表2可以看出:实验1准确率最高ꎬ虽然在训练用时方面用时最长ꎬ但为保证模型的准确度ꎬ在改进神经网络模型中ꎬ本文选用Relu激活函数ꎮ3.2.2㊀优化器的选择在优化器选择实验中继续采用表1中的基准模型参数设置ꎬ该实验的卷积层采用Relu激活函数ꎮ该实985 第5期刘红军ꎬ等:基于GADF与卷积神经网络的滚动轴承故障诊断研究验对目前最常用的SGDꎬRMSProp和Adam共3种优化器进行测试ꎮ当学习速率为0.0001和0.001时ꎬAdam与RM ̄SProp的准确率远高于SGDꎻ而当学习速率升高时ꎬRMSProp准确率急剧下降ꎬAdam优化器准确率依然稳定在97%左右ꎮ为此ꎬ本文选用Adam小批量迭代优化器ꎮ优化器准确率对比图如图4所示ꎮ图4㊀优化器准确率对比图4㊀结果分析4.1㊀改进的CNN模型评估为对GADF图像编码下改进的CNN算法的准确性进行有效的评估ꎬ本文引用精确率与召回率作为评测指标ꎮ其中ꎬ精确率是指预测结果中符合该类故障的样本占结果总体的占有率ꎻ召唤率是指该类型故障真实样本中被成功预测的样本占类型总体的占有率ꎮ其具体数学表达式如下:P=TP/(TP+FP)R=TP/(TP+FN)F1=2TP/(2TP+FP+FN)ìîíïïï(8)式中:P 精确率ꎻR 召回率ꎻTP 预测类型与其真实类型相符ꎻFP 预测类型为真ꎬ但实际类型为假ꎻFN 实际类型为真ꎬ但预测结果为假ꎻF1 精确率与召回率的调和均值ꎮ根据改进的CNN的实验结果ꎬ并按公式计算得到的精确率和召回率ꎬ如表3所示ꎮ表3㊀改进CNN模型诊断结果表故障序号精准率召回率F1调和均值样本01.00001.00001.00004010.97500.97500.97504021.00001.00001.00004030.97440.95000.962040(续表)故障序号精准率召回率F1调和均值样本41.00001.00001.00004050.97561.00000.98774061.00000.97500.98734071.00000.97560.98774080.97501.00000.98734090.95120.97500.963040100.97500.97500.975040111.00001.00001.000040平均值/总数0.98550.98540.9667480㊀㊀为了更深一层地了解改进CNN模型的故障判别情况ꎬ笔者引入了多分类混淆矩阵对故障结果进行全面分析ꎻ其根据故障的不同等级ꎬ样本的真实值与预测值ꎮ故障被误判为何种类型故障等信息如图5所示ꎮ图5㊀混淆矩阵量化图由图5可知:在480份测试集样本中ꎬ含有7个误测样本ꎬ分别为:将标号1类微小故障判断为标号9类轻型故障ꎻ将标号3类轻微故障判断为标号9类轻型故障和7类显著故障ꎻ将标号6类轻型故障判断为标号10类轻型故障ꎻ将标号8类中度故障判断为标号5类显著故障ꎻ将标号9类轻型故障判定为标号3类轻微故障ꎻ将标号10类轻型故障判定为标号1类微小故障ꎮ通过分析以上故障类型可以发现ꎬ故障误诊类型多为轻型故障ꎬ误诊为中大型故障或同级故障类别发生错判ꎬ具有一定的预警作用ꎬ改进后的CNN模型在正常0㊁故障2㊁4和11的情况下诊断准确率为100%ꎬ说明这类故障特征较为明显ꎬ对旋转设备的危害最大ꎮ经过试验验证可知ꎬ该算法综合故障识别率达98.55%ꎬ对滚动轴承中的GADF编码图像具有精准的识别能力和优越的诊断能力ꎮ4.2㊀对比分析为验证笔者提出的诊断方法的先进性与优越性ꎬ095 机㊀㊀电㊀㊀工㊀㊀程第38卷本文引用格式:刘红军ꎬ魏旭阳.基于GADF与卷积神经网络的滚动轴承故障诊断研究[J].机电工程ꎬ2021ꎬ38(5):587 ̄591ꎬ622.LIUHong ̄junꎬWEIXu ̄yang.RollingbearingfaultdiagnosisbasedonGADFandconvolutionalneuralnetwork[J].JournalofMechanical&ElectricalEngineer ̄ingꎬ2021ꎬ38(5):587 ̄591ꎬ622.«机电工程»杂志:http://www.meem.com.cn此处将GADF ̄CNN算法与其余3种主流的智能故障诊断算法进行比较ꎮ3种主流智能故障诊断算法分别为BPNN㊁SAE和SVM[13 ̄15]智能算法ꎮ笔者将二维图像数据测试集按0~11故障诊断序号共12种情况ꎬ输入进其余智能算法模型进行训练ꎮ智能算法的对比图如图6所示ꎮ图6㊀智能算法对比图由图6可以看出:BP神经网络模型(BPNN)与支持向量机(SVM)的准确率一直维持在90%以下ꎬ准确率较低ꎻ而堆栈自动编码器(SAE)的准确率略低于GADF ̄CNNꎮ由此可见ꎬ改进的CNN模型更适用与对GADF编码图像数据的处理ꎮ详细的准确率如表4所示ꎮ表4㊀详细的准确率故障序号BPNNSVMSAEGADF ̄CNN087.5%92.5%95%100%185%87.5%92.5%97.55%282.5%90%90%100%378.5%87.5%95%95%485%92.5%97.5%100%587.5%90%95%100%682.5%85%92.5%97.5%785%87.5%95%100%882.5%87.5%95%97.5%985%85%87.5%97.5%1080%87.5%95%97.5%1182.5%90%90%100%平均值/总数83.63%88.54%93.33%98.55%5㊀结束语为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ笔者提出了一种新的故障诊断方式ꎬ即格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型ꎬ并结合改进的CNN模型对滚动轴承故障进行了预测ꎬ达到了高精度诊断的效果ꎮ与其他智能诊断算法相比ꎬGADF ̄CNN具有以下优势:(1)在对诊断信号的特征提取方面ꎬ相比其他算法的一维时序输入或模态分解等方法ꎬ采用领先的格拉姆角差场法将诊断信号转化为具有有效特征的二维图像ꎬ对诊断信号的特征提取更为全面ꎬ同样也更适合CNN(卷积神经网络)的训练与测试ꎻ(2)在卷积神经网络模型的搭建方面ꎬ与其他智能算法的诊断相比ꎬ由于输入数据转化为真正的二维图像ꎬ使得卷积神经网络强大的线性表达能力可以全面地发挥出来ꎬ为此改进CNN模型添加了全局池化层㊁Adam优化器㊁交叉熵损失函数等先进的超参数ꎬGADF ̄CNN算法鲁棒性和泛化能力ꎮ本文的算法已经可以在不同电机负载状态下ꎬ对来自于电机驱动端的振动信号做出有效诊断ꎮ但由于数据库的有限性ꎬ本文没有获取数据库以外的滚动轴承数据进行诊断ꎬ该算法仍然存在一定的局限性ꎮ获取数据库以外的数据将成为笔者进行下一步实验研究的重点ꎮ参考文献(References):[1]㊀许㊀凯ꎬ许黎明ꎬ周大朝ꎬ等.基于Stockwell变换的滚动轴承故障诊断方法[J].机械制造ꎬ2019ꎬ57(4):98 ̄102.[2]㊀杨㊀宇ꎬ于德介ꎬ程军圣.基于EMD与神经网络的滚动轴承故障诊断方法[J].振动与冲击ꎬ2005ꎬ24(1):85 ̄88.[3]㊀刘㊀韬ꎬ陈㊀进ꎬ董广明.KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用[J].振动与冲击ꎬ2014ꎬ33(21):85 ̄89.[4]㊀张㊀鑫ꎬ郭顺生ꎬ李益兵ꎬ等.基于拉普拉斯特征映射和深度置信网络的半监督故障识别[J].机械工程学报ꎬ2020ꎬ56(1):69 ̄81.(下转第622页)195 第5期刘红军ꎬ等:基于GADF与卷积神经网络的滚动轴承故障诊断研究(5 ̄8):3139 ̄3146.[6]㊀BEHZADFꎬWAYNESFꎬGLADIUSLꎬetal.Areviewonmelt ̄poolcharacteristicsinlaserweldingofmetals[J].Ad ̄vancesinMaterialsScienceandEngineeringꎬ2018(32):1 ̄18.[7]㊀WLODARCZYKKLꎬCARTERRMꎬJAHANBAKHSHAꎬetal.Rapidlasermanufacturingofmicrofluidicdevicesfromglasssubstrates[J].Micromachinesꎬ2018ꎬ9(8):409. [8]㊀WANGHꎬKAWAHITOYꎬYOSHIDARꎬetal.Amodeltocalculatethelaserabsorptionpropertyofactualsurface[J].InternationalJournalofHeatandMassTransferꎬ2018(118):562 ̄569.[9]㊀HASSANIMATINMꎬTAVASSOLIꎬSHꎬNOSRATIYꎬetal.Acombinationofelectricalsparkandlaser ̄inducedbreakdownspectroscopyonaheatedsample[J].PhysicsofPlasmasꎬ2019ꎬ26(3):033303.[10]㊀ENGLEROꎬJüRGENH.Texturecontrolbythermome ̄chanicalprocessingofAA6xxxAl ̄Mg ̄Sisheetalloysforautomotiveapplications areview[J].MaterialsScience&EngineeringAꎬ2002ꎬ336(1 ̄2):249 ̄262.[11]㊀LUOFꎬONGWꎬGUANYꎬetal.Studyofmicro/nano ̄structuresformedbyananosecondlaseringaseousenvi ̄ronmentsforstainlesssteelsurfacecoloring[J].AppliedSurfaceScienceꎬ2018(100):57 ̄74.[12]㊀YANGKCꎬWANGWJꎬXIAOTYꎬetal.Laserpolis ̄hingofadditivemanufacturedCoCrcomponentsforcontrol ̄lingtheirwettabilitycharacteristics[J].SurfaceandCoatingTechnologyꎬ2018(351):89 ̄98.[编辑:雷㊀敏]本文引用格式:姜长城ꎬ袁建东ꎬ成海东ꎬ等.热辅助纳秒脉冲激光抛光试验研究[J].机电工程ꎬ2021ꎬ38(5):617 ̄622.JIANGChang ̄chengꎬYUANJian ̄dongꎬCHENHai ̄dongꎬetal.Experimentonthermallyassistednanosecondpulsedlaserpolishing[J].JournalofMechanical&ElectricalEngineeringꎬ2021ꎬ38(5):617 ̄622.«机电工程»杂志:http://www.meem.com.cn(上接第591页)[5]㊀徐华建.基于神经网络与混合结构声学特征的语音识别研究[D].武汉:华中科技大学电子信息与通信学院ꎬ2017. [6]㊀孙曙光ꎬ李㊀勤ꎬ杜太行ꎬ等.基于一维卷积神经网络的低压万能式断路器附件故障诊断[J].电工技术学报ꎬ2020ꎬ35(12):2562 ̄2573.[7]㊀肖㊀雄ꎬ王健翔ꎬ张勇军ꎬ等.一种用于轴承故障诊断的二维卷积神经网络优化方法[J].中国电机工程学报ꎬ2019ꎬ39(15):4558 ̄4568.[8]㊀WUYꎬYANGFꎬLIUYꎬetal.Acomparisonof1 ̄Dand2 ̄DdeepconvolutionalneuralnetworksinECGclassification[C].IEEEEngineeringinMedicineandBiologySocietyꎬHawaiiꎬUSA:IEEEꎬ2018.[9]㊀ZHANGGꎬSIYꎬWANGDꎬetal.Automateddetectionofmyocardialinfarctionusingagramianangularfieldandprin ̄cipalcomponentanalysisnetwork[J].IEEEAccessꎬ2019ꎬ7(99):171570 ̄171583.[10]㊀HINTONGEꎬSRIVASTAVANꎬKRIZHEVSKYAꎬetal.Improvingneuralnetworksbypreventingco ̄adaptationoffea ̄turedetectors[J].ComputerScienceꎬ2012ꎬ3(4):212 ̄223. [11]㊀LINMꎬCHENQꎬYANS.Networkinnetwork[C].Com ̄puterVisionandPatternRecognition(ICLR).Banff:[s.n.]ꎬ2014.[12]㊀SHAOHꎬJIANGHꎬLINYꎬetal.Anovelmethodforin ̄telligentfaultdiagnosisofrollingbearingsusingensem ̄bledeepauto ̄encoders[J].MechanicalSystemsandSig ̄nalProcessingꎬ2018(102):278 ̄297.[13]㊀卫洁洁ꎬ杨喜旺ꎬ黄晋英ꎬ等.基于深度神经网络的滚动轴承故障诊断[J].组合机床与自动化加工技术ꎬ2017(11):88 ̄91.[14]㊀陈晓平ꎬ和卫星ꎬ马东玲ꎬ等.基于符号熵与支持向量机的滚动轴承故障诊断[J].中国机械工程ꎬ2010ꎬ21(17):2079 ̄2082.[15]㊀侯荣涛ꎬ周子贤ꎬ赵晓平ꎬ等.基于堆叠稀疏自编码的滚动轴承故障诊断[J].轴承ꎬ2018(3):49 ̄54ꎬ60.[编辑:李㊀辉]226 机㊀㊀电㊀㊀工㊀㊀程第38卷。
滚动轴承故障诊断频谱分析

滚动轴承故障诊断1(之国外专家版)【2 】滚动轴承故障现代工业通用机械都配备了相当数量的滚动轴承.一般说来,滚动轴承都是机械中最周详的部件.平日情况下,它们的公役都保持在机械的其余部件的公役的十分之一.但是,多年的实践经验表明,只有10%以下的轴承可以或许运行到设计寿命年限.而大约40%的轴承掉效是因为润滑引起的故障,30%掉效是因为不对中或“卡住”等装配掉误,还有20%的掉效是由过载运用或制作上缺点等其它原因所致.假如机械都进行了精确对中和精确均衡,不在共振频率邻近运转,并且轴承润滑优越,那么机械运行就会异常可*.机械的现实寿命也会接近其设计寿命.然而圆满的是,大多半工业现场都没有做到这些.是以有很多轴承都因为磨损而永远掉效.你的工作是要检测出早期症状并估量故障的轻微程度.振动剖析和磨损颗粒剖析都是很好的诊断办法.1.频谱特点故障轴承会产生与1X基频倍数不完整雷同的振动分量——换言之,它们不是同步的分量.对振动剖析人员而言,假如在振动频谱中发明不同步分量那么极有可能是轴承消失故障的警告旌旗灯号.振动剖析人员应当立时诊断并消除是否是其它故障引起的这些不同步分量.假如看到不同步的波峰,那极有可能与轴承磨损相干.假如同时还有谐波和边频带消失,那么轴承磨损的可能性就异常大——这时刻你甚至不须要再去懂得轴承精确的扰动频率.2.扰动频率盘算有四个与轴承相干的扰动频率:球过内圈频率(BPI).球过外圈频率(BPO).保持架频率(FT)和球的自旋频率(BS).轴承的四个物理参数:球的数量.球的直径.节径和接触角.个中,BPI和BPO 的和等于滚珠/滚柱的数量.例如,假如BPO等于3.2 X,BPI等于4.8 X,那么滚珠/滚柱的数量必定是8.轴承扰动频率的盘算公式如下:留意:BS的值可能会加倍,因为所给的公式针对的是球撞击内圈或外圈的情况.假如有庇点的滚球/滚柱同时撞击内圈和外圈,那么其频率值应当加倍.须要解释的是因为受到各类现实情况如滑动.打滑.磨损.轴承各参数的不精确(如直径可能不完整精确)等的影响,我们所盘算出来的频率值可能会与真实值有小规模的差异.在检讨进程中你可能会经常涉及到滚珠的数量,对于轴承而言你所能懂得到的信息可能只有滚珠(或滚柱)的数量.假如可以或许依据频谱(或其它地方)肯定个中一个的扰动频率,我们就可以依据它盘算出其它的频率.对于四个扰动频率盘算还有一个近似的经验公式可供参考.对于8~12个滚珠/滚柱的轴承:BPO 平日等于滚珠数量的0.4倍,BPI是滚珠数量的0.6倍,而FT等于0.4 X.3.轴承掉效的九个阶段有人把轴承掉效划分为四个阶段,在此我们为了描写得加倍具体将它细分为九个阶段.第一阶段:在轴承掉效的最初阶段,其频率规模大约在20 KHz~60 KHz之间——或更高.有多种电子装备可以用来检测这些频率,包括峰值能量. HFD. 冲击脉冲. SEE等超音频测量装配.在这个阶段,通俗的频谱上不会消失任何显示.第二阶段:因为轴承上的庇点增大,使它在共振(固有)频率处发出铃啼声.同时该频率还作为载波频率调制轴承的故障频率.第三阶段:消失轴承故障频率.开端的时刻我们只能不雅察到这个频率本身.图中所示为轴承内圈故障时的频谱显示.当轴承磨损进一步加剧后,在故障频率(例子中的BPI)处的波峰值将会升高.大多半情况下波峰值将跟着时光线性增长.第四阶段:跟着故障的成长,故障频率将产生谐波.这表明产生了必定程度的冲击.故障频率的谐波有时可能会比基频波峰更早被发明.是以,我们起首要查找频谱中的非同步波峰,并查证是否有谐波.对应的时域波形中同时也会消失冲击脉冲的显示.故障频率及其谐波的幅值在开端阶段都比较低.假如你仅仅经由过程线性坐标图表来查看数据,很轻易错过这些重要的故障旌旗灯号.是以,建议联合对数坐标来进行剖析,从而实时发明轴承故障的早期显示.假如你想要进行轴承的早期故障预告,那么就应当运用加快度为单位来采集高频时域波形(运用加快度传感器)——也就是说,不要进行积分.加快度能凸起旌旗灯号中的高频成分,这对于我们的运用来说是很幻想的办法.第五阶段:跟着故障状况的恶化,轴承的破坏加倍轻微,振动级将中断升高,同时消失更多的谐波.因为故障自身的性质,这时还会消失边频带.时域波形上的尖峰波将加倍清楚和显著,你甚至可以或许经由过程测量尖峰间的时光距离来盘算故障频率.高频率的轴承检测,如峰值能量和冲击脉冲所得到的趋向都在中断上升.此时引起调制的原因有二个:第一种情况是当内圈消失故障时,假如它位于加载区域时,产生的冲击会加倍激烈,从而产生更高的振幅.当内圈故障地位移出加载区后,其振幅又会降低,并在轴承顶部达到最小值.在这种情况下内圈的故障频率将被(内圈的)扭转频率所调制,于是我们可以在频谱中看到1 X边频带消失.假如滚珠消失问题,也会因雷同的原因,产生调制.当滚珠运转在载荷区会产生比运转在非载荷区更强烈的冲击.越接近载荷区,振幅越高.滚珠沿轴承以保持架频率FT滚动.该频率低于1 X——典范的FT大约等于0.4 X.当我们可以或许从频谱中不雅察到谐波,特别是边频带后,轴承上的磨损就已经可以或许用肉眼不雅察到了.这时刻,你就可以建议改换轴承了.[此贴子已经被admin于2006-11-21 14:27:42编辑过]2006-08-29 12:52滚动轴承故障诊断2第六阶段:1X处的幅值增大,并消失1X的谐波,这是因为磨损引起间隙增大的成果.第七阶段:如今我们看见故障频率及其边频带变成峰丘状,经常被叫作"干草堆".这是因为宽带噪声所致.在*近机械的地方,你还能听到轴承发出的噪声.在这个阶段,高频率的轴承测量量可能会逐渐削减.假如你用测量对象测到的振幅有降低趋向,不要认为是情况消失好转,而应当尽快去定购用来改换的轴承了!第八阶段:频谱中的“干草堆”将中断扩展,谐波跟着松动的增长而增大,高频率的轴承测量显示出的趋向可能会中断降低,但重要的是全部噪声程度都在上升.你能清楚的听到轴承发出的声音,这预示着轴承即将报废.第九阶段:到了这个阶段今后,频谱会变得平直,因为机械已经不能运转了!4.解调频谱及在滚动轴承诊断中的运用振动解调可以在滚动轴承故障成长的初始阶段检测到故障信息,并且可以跟踪轴承的故障成长,在轴承故障的不同阶段中以不同的信息反应轴承不同的故障状况.4-1运用和熟悉解调以上已经阐述了如下事实:在轴承故障的早期阶段可以不雅察到在机械固有频率处的振动.轴承在固有频率上产生“鸣叫”. 轴承的破坏所引起的冲击导致轴承“鸣叫”.是以,我们现实得到的是故障频率的边频带.(如在第二阶段上的图示)在轴承掉效的晚期,我们也能不雅察到在1X边频带或保持架转速的边频带调制,他们分离代表了轴承内圈和滚珠的故障.(如在第五阶段上的图示)4-2解调联合上述两种情况,我们会想:假如可以或许检测到故障频率边频带的轴承共振是否就还能给出异常早的轴承磨损警告呢?答案是肯定的.但是因为测量的是高频低幅旌旗灯号,是以它轻易被其他振源旌旗灯号所掩饰.一种解决办法就是对旌旗灯号进行解调.简略的说,就是起首运用高通滤波器过滤重要的低频成份,然落后行检波,接着为了抗混频还须要运用低通滤波器去除高频旌旗灯号.细心查看频谱,你会在原始旌旗灯号中发明很多振动源,特别是那些比轴承共振幅值还高的地方.假如我们查看时域波形,会发明正弦旌旗灯号与密集的高频杂波相伴.动态的高频杂波起源于轴承的“鸣叫”.起首是要经由过程高通滤波器滤掉落低频旌旗灯号并让高频旌旗灯号经由过程.滤波器可以设置成让高于2000HZ的频率经由过程(用于轴承剖析).成果旌旗灯号仍然包含高频成份,但较高振幅的旌旗灯号应已经被过滤掉落了.时域波形上也只剩下轴承的冲击旌旗灯号,这才是最重要的信息.滚动轴承故障诊断3(续上贴)其次,我们将频率坐标上部的边频带“迭放”到“基带”上.可以用解调器来实现,现实上它就相当于一个典范的整流器(翻转所有的负向旌旗灯号).整流的进程中会去掉落负向旌旗灯号,剩下的就只是正向旌旗灯号了.如(Rectified signal整流旌旗灯号图所示)之后,我们滤掉落来自其他调制源的残余旌旗灯号.一些解调器产品许可手动掌握滤波器,然而大多半情况下该功效都由数据采集器中的抗混频滤波器来完成(基于选择的频率规模). 对时域波形而言,所有的高频信息都被滤掉落.有人也把它叫做“包络检定器”.解调测试最重要的是选择频率规模.一般的原则是:规模应掌握在15~20X(也就是运行速度的15~20倍)之间.我们的目标是要确保最后只留下须要的调制旌旗灯号.机械可能多半会有其他的调制旌旗灯号源,是以最佳的规矩是:把频率规模设定为全部边频带宽度的一半.到最后,留下的旌旗灯号应当是有一系列很强的谐波——这取决于故障的轻微程度了.解调频谱与通俗振动频谱比拟有些不同.你不是依据振幅大小来肯定故障的轻微程度,而是经由过程测量数据间的比较剖析来进行断定,最重要的是将波峰和噪声程度进行比较.一般说来当破坏程度较低时波峰将异常小.跟着故障破坏的进一步成长,振动波峰将逐渐从噪声中凸显出来.当消失轻微故障时,波峰值将凌驾噪声程度约20 dB(100 X).当轴承破坏异常轻微处于前面所述的第七或第八阶段时,噪声程度将上升到接近波峰处.这是一个异常糟糕的旌旗灯号——预示着轴承即将完整掉效!该进程也可实用于机械的其它故障剖析:齿轮啮合剖析.电机电流剖析.电念头气隙偏幸剖析和其它调制旌旗灯号源.(注:在齿轮箱中经常会产生频率调制,这可能导致剖析振幅解调数据时得到错误的成果.这个问题已超出本评论辩论的规模,但必须对此有所熟悉.)轴承的解调测试的一个利益是可以或许关心你查明具体哪个轴承消失了故障.假如你不知道轴承的具体参数,也不知道故障频率,或你知道了故障频率,但机械上有多个同样的轴承.那么我们可以对所有的轴承进行检测,或只取其一个作诊断测试,都能把问题轴承找出.5.冲击脉冲法.峰值能量法.高频检测法等(仅作简略阐述)不同的监测公司往往采用了不同的监测技巧.个中包括:冲击脉冲法.峰值能量法.高频检测法等等.简略的说,这些办法就是运用轴承产生故障时消失的症状进行诊断,故障轴承开端会消失瞬态冲击,然后产生共振或发出鸣啼声.而前面评论辩论的解调技巧将产生一种频谱,冲击脉冲法(SPM).峰值能量法和其它一些技巧则可以或许产生一个(或两个)能显示出趋向的值.跟着趋向值的升高,轴承破坏的可能性也跟着增长.根本道理:由冲击产生的振动把能量注入到所有的频率中.在0-3KHz正常频率段内,因为混有其它振动旌旗灯号源而很难被检测到.但当达到传感器的共振频率时,除了瞬态冲击波外没有其它强的振动旌旗灯号源(不均衡.不对中等都是在较低的频率段显示的故障).是以瞬态冲击可以单独激发传感器产生共振,并使该频率的旌旗灯号被加强.须要留意的是你固然可以从大多半的数据采集体系中得到趋向数据(经由过程峰值能量法.高频检测法等),但你不能仅仅运用这一个读数(冲击脉冲读数)与标准值的比较来断定轴承的状况.因为,我们所运用的传感器并不完整一样,它们可能具有完整不同的共振特点.值得光荣的是,如今已经有公司找到办法来处理这些问题.它们临盆标定了的传感器——使每个传感器都具有雷同的共振特点.该公司也推举(保持)运用特别安装技巧确保与轴承的优越接触,进步测量的可反复性.。
基于ELMD和包络谱分析的滚动轴承故障诊断研究

基于ELMD和包络谱分析的滚动轴承故障诊断研究摘要:针对旋转机械旋转部件可能出现的异常情况或者早期故障,提出了一种先利用总体局域均值分解(ELMD)分解振动信号,再结合包络谱分析对轴承的早期故障症状进行分析的方法。
首先对轴承的振动信号进行ELMD分解, 获得由纯调频信号和包络信号乘积构成的PF分量,并对其高频分量进行包络谱分析。
通过包络谱和轴承故障特征频率结合分析轴承是否出现故障,实验结果分析表明, ELMD分解和包络谱分析结合的方法能有效地进行轴承故障诊断。
关键词 ELMD 包络谱分析轴承故障诊断引言:2005年,来自英国的Jonathan S. Smith 提出了关于时域和频域分析的新方法,叫做局部均值分解(LMD)法,并成功应用到了实际信号的分解中 [1]。
虽然局域均值分解能有效解决经验模态分解(Ensemble meandecomposition)中过包络、欠包络问题,并能在一定程度上削减端点效应问题,但是其分量会存在模态混叠的问题。
模态混叠,简单来说,是指分解出来的PF分量中两个相邻的PF出现波形混合叠加,影响分解效果的情况。
文献[2]针对模态混叠问题提出了一种基于总体局域均值分解的方法(ELMD),该方法可以有效的减小模态混叠现象。
频谱分析作为信号处理的常用手段之一,应用十分广泛,可以对各类旋转机械的振动信号进行频谱分析。
通过频谱分析可以得到振动信号中的各次频率及高次谐波等主要频率成分。
包络分析已被广泛应用于轴承和齿轮的故障诊断中,主要用来发现轴承和齿轮啮合的早期故障。
综上,本文将采用ELMD方法抑制分解过程中出现的模态混叠问题,分解出原始信号的各个PF分量,并求得主要PF分量的包络信号,生成包络谱图,分析轴承是否存在故障。
1 ELMD方法局域均值分解(LMD)方法可以把一个复杂的信号分解为若干个乘积信号函数( Production Function,PF)之和,再加上一个单调函数uk(t):每个PF乘积函数是由一个纯调频信号和一个包络信号组成,其中的包络信号表示PF分量的瞬时幅值。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
滚动轴承故障诊断1(之国外专家版)滚动轴承故障现代工业通用机械都配备了相当数量的滚动轴承。
一般说来,滚动轴承都是机器中最精密的部件。
通常情况下,它们的公差都保持在机器的其余部件的公差的十分之一。
但是,多年的实践经验表明,只有10%以下的轴承能够运行到设计寿命年限。
而大约40%的轴承失效是由于润滑引起的故障,30%失效是由于不对中或“卡住”等装配失误,还有20%的失效是由过载使用或制造上缺陷等其它原因所致。
如果机器都进行了精确对中和精确平衡,不在共振频率附近运转,并且轴承润滑良好,那么机器运行就会非常可靠。
机器的实际寿命也会接近其设计寿命。
然而遗憾的是,大多数工业现场都没有做到这些。
因此有很多轴承都因为磨损而永久失效。
你的工作是要检测出早期症状并估计故障的严重程度。
振动分析和磨损颗粒分析都是很好的诊断方法。
1、频谱特征故障轴承会产生与1X基频倍数不完全相同的振动分量——换言之,它们不是同步的分量。
对振动分析人员而言,如果在振动频谱中发现不同步分量那么极有可能是轴承出现故障的警告信号。
振动分析人员应该马上诊断并排除是否是其它故障引起的这些不同步分量。
(非转频的倍数峰值疑似为故障信息)如果看到不同步的波峰,那极有可能与轴承磨损相关。
如果同时还有谐波(基频的倍频)和边频带出现,那么轴承磨损的可能性就非常大——这时候你甚至不需要再去了解轴承准确的扰动频率。
2、扰动频率计算有四个与轴承相关的扰动频率:球过内圈频率(BPI)、球过外圈频率(BPO)、保持架频率(FT)和球的自旋频率(BS)(外圈,内圈,保持架,滚动体特征频率)。
轴承的四个物理参数:球的数量、球的直径、节径(滚柱圆心对应轴承的半径D)和接触角。
其中,BPI和BPO的和等于滚珠/滚柱的数量。
例如,如果BPO等于 X(转频),BPI等于 X,那么滚珠/滚柱的数量必定是8。
轴承扰动频率的计算公式如下:注意:BS的值可能会加倍,因为所给的公式针对的是球撞击内圈或外圈的情况。
如果有庇点的滚球/滚柱同时撞击内圈和外圈,那么其频率值应该加倍。
需要说明的是由于受到各种实际情况如滑动、打滑、磨损、轴承各参数的不精确(如直径可能不完全精确)等的影响,我们所计算出来的频率值可能会与真实值有小范围的差异。
在检查过程中你可能会经常涉及到滚珠的数目,对于轴承而言你所能了解到的信息可能只有滚珠(或滚柱)的数目。
如果能够根据频谱(或其它地方)确定其中一个的扰动频率,我们就可以根据它计算出其它的频率。
对于四个扰动频率计算还有一个近似的经验公式可供参考。
对于8~12个滚珠/滚柱的轴承:BPO通常等于滚珠数量的倍,BPI是滚珠数量的倍,而FT等于 X。
3、轴承失效的九个阶段有人把轴承失效划分为四个阶段,在此我们为了描述得更加详细将它细分为九个阶段。
第一阶段:在轴承失效的最初阶段,其频率范围大约在20 KHz~60 KHz之间——或更高。
有多种电子设备可以用来检测这些频率,包括峰值能量、 HFD、冲击脉冲、 SEE等超音频测量装置。
在这个阶段,普通的频谱上不会出现任何显示。
第二阶段:由于轴承上的庇点增大,使它在共振(固有)频率处发出铃叫声。
同时该频率还作为载波频率调制轴承的故障频率。
第三阶段:出现轴承故障频率。
开始的时候我们只能观察到这个频率本身。
图中所示为轴承内圈故障时的频谱显示。
当轴承磨损进一步加剧后,在故障频率(例子中的BPI)处的波峰值将会升高。
大多数情况下波峰值将随着时间线性增加。
第四阶段:随着故障的发展,故障频率将产生谐波。
这表明发生了一定程度的冲击。
故障频率的谐波有时可能会比基频波峰更早被发现。
因此,我们首先要查找频谱中的非同步波峰,并查证是否有谐波。
对应的时域波形中同时也会出现冲击脉冲的显示。
故障频率及其谐波的幅值在开始阶段都比较低。
如果你仅仅通过线性坐标图表来查看数据,很容易错过这些重要的故障信号。
因此,建议结合对数坐标来进行分析,从而及时发现轴承故障的早期显示。
如果你想要进行轴承的早期故障预报,那么就应该使用加速度为单位来采集高频时域波形(使用加速度传感器)——也就是说,不要进行积分。
加速度能突出信号中的高频成分,这对于我们的应用来说是很理想的方法。
第五阶段:随着故障状态的恶化,轴承的损坏更加严重,振动级将继续升高,同时出现更多的谐波。
由于故障自身的性质,这时还会出现边频带。
时域波形上的尖峰波将更加清晰和明显,你甚至能够通过测量尖峰间的时间间隔来计算故障频率。
高频率的轴承检测,如峰值能量和冲击脉冲所得到的趋势都在持续上升。
此时引起调制的原因有二个:第一种情形是当内圈出现故障时,如果它位于加载区域时,产生的冲击会更加剧烈,从而产生更高的振幅。
当内圈故障位置移出加载区后,其振幅又会降低,并在轴承顶部达到最小值。
在这种情况下内圈的故障频率将被(内圈的)旋转频率所调制,于是我们可以在频谱中看到1 X边频带出现。
如果滚珠出现问题,也会因相同的原因,产生调制。
当滚珠运转在载荷区会产生比运转在非载荷区更强烈的冲击。
越接近载荷区,振幅越高。
滚珠沿轴承以保持架频率FT滚动。
该频率低于1 X——典型的FT大约等于 X。
当我们能够从频谱中观察到谐波,特别是边频带后,轴承上的磨损就已经能够用肉眼观察到了。
这时候,你就可以建议更换轴承了。
滚动轴承故障诊断2第六阶段:1X处的幅值增大,并出现1X的谐波,这是由于磨损引起间隙增大的结果。
第七阶段:现在我们看见故障频率及其边频带变成峰丘状,经常被叫作"干草堆"。
这是由于宽带噪声所致。
在*近机器的地方,你还能听到轴承发出的噪声。
在这个阶段,高频率的轴承测量量可能会逐渐减少。
如果你用测量工具测到的振幅有下降趋势,不要以为是情况出现好转,而应该尽快去定购用来更换的轴承了!第八阶段:频谱中的“干草堆”将继续扩大,谐波随着松动的增加而增大,高频率的轴承测量显示出的趋势可能会继续降低,但重要的是整个噪声水平都在上升。
你能清晰的听到轴承发出的声音,这预示着轴承即将报废。
第九阶段:到了这个阶段以后,频谱会变得平直,因为机器已经不能运转了!4、解调频谱及在滚动轴承诊断中的应用振动解调可以在滚动轴承故障发展的初始阶段检测到故障信息,并且可以跟踪轴承的故障发展,在轴承故障的不同阶段中以不同的信息反映轴承不同的故障状态。
4-1使用和认识解调以上已经论述了如下事实:在轴承故障的早期阶段可以观察到在机器固有频率处的振动。
轴承在固有频率上产生“鸣叫”。
轴承的损坏所引起的冲击导致轴承“鸣叫”。
因此,我们实际得到的是故障频率的边频带。
(如在第二阶段上的图示)在轴承失效的晚期,我们也能观察到存在1X边频带或保持架转速的边频带调制,他们分别代表了轴承内圈和滚珠的故障。
(如在第五阶段上的图示)4-2解调结合上述两种情形,我们会想:如果能够检测到故障频率边频带的轴承共振是否就还能给出非常早的轴承磨损警告呢答案是肯定的。
但是由于测量的是高频低幅信号,因此它容易被其他振源信号所掩盖。
一种解决方法就是对信号进行解调。
简单的说,就是首先使用高通滤波器过滤主要的低频成份,然后进行检波(解调),接着为了抗混频还需要使用低通滤波器去除高频信号。
仔细查看频谱,你会在原始信号中发现许多振动源,特别是那些比轴承共振幅值还高的地方。
如果我们查看时域波形,会发现正弦信号与密集的高频杂波相伴。
动态的高频杂波来源于轴承的“鸣叫”。
首先是要通过高通滤波器滤掉低频信号并让高频信号通过。
滤波器可以设置成让高于2000HZ的频率通过(用于轴承分析)。
结果信号仍然包含高频成份,但较高振幅的信号应已经被过滤掉了。
时域波形上也只剩下轴承的冲击信号,这才是最重要的信息。
滚动轴承故障诊断3其次,我们将频率坐标上部的边频带“迭放”到“基带”上。
可以用解调器来实现,实际上它就相当于一个典型的整流器(翻转所有的负向信号)。
整流的过程中会去掉负向信号,剩下的就只是正向信号了。
如(Rectified signal整流信号图所示)之后,我们滤掉来自其他调制源的残余信号。
一些解调器产品允许手动控制滤波器,然而大多数情况下该功能都由数据采集器中的抗混频滤波器来完成(基于选择的频率范围)。
对时域波形而言,所有的高频信息都被滤掉。
有人也把它叫做“包络检定器”。
解调测试最重要的是选择频率范围。
一般的原则是:范围应控制在15~20X(也就是运行速度的15~20倍)之间。
我们的目的是要确保最后只留下需要的调制信号。
机器可能多半会有其他的调制信号源,因此最佳的规则是:把频率范围设定为整个边频带宽度的一半。
到最后,留下的信号应该是有一系列很强的谐波——这取决于故障的严重程度了。
解调频谱与普通振动频谱相比有些不同。
你不是根据振幅大小来确定故障的严重程度,而是通过测量数据间的对比分析来进行判断,最重要的是将波峰和噪声水平进行比较。
一般说来当损坏程度较低时波峰将非常小。
随着故障破坏的进一步发展,振动波峰将逐渐从噪声中凸显出来。
当出现严重故障时,波峰值将高出噪声水平约20 dB(100 X)。
(10lg(a/b)->a/b=100)当轴承破坏非常严重处于前面所述的第七或第八阶段时,噪声水平将上升到接近波峰处。
这是一个非常糟糕的信号——预示着轴承即将完全失效!该过程也可适用于机器的其它故障分析:齿轮啮合分析、电机电流分析、电动机气隙偏心分析和其它调制信号源。
(注:在齿轮箱中经常会发生频率调制,这可能导致分析振幅解调数据时得到错误的结果。
这个问题已超出本讨论的范围,但必须对此有所认识。
)轴承的解调测试的一个好处是能够帮助你查明具体哪个轴承出现了故障。
如果你不知道轴承的详细参数,也不知道故障频率,或你知道了故障频率,但机器上有多个同样的轴承。
那么我们可以对所有的轴承进行检测,或只取其一个作诊断测试,都能把问题轴承找出。
5、冲击脉冲法、峰值能量法、高频检测法等(仅作简单论述)不同的监测公司往往采用了不同的监测技术。
其中包括:冲击脉冲法、峰值能量法、高频检测法等等。
简单的说,这些方法就是利用轴承发生故障时出现的症状进行诊断,故障轴承开始会出现瞬态冲击,然后发生共振或发出鸣叫声。
而前面讨论的解调技术将产生一种频谱,冲击脉冲法(SPM)、峰值能量法和其它一些技术则能够产生一个(或两个)能显示出趋势的值。
随着趋势值的升高,轴承损坏的可能性也跟着增加。
基本原理:由冲击产生的振动把能量注入到所有的频率中。
在0-3KHz 正常频率段内,因为混有其它振动信号源而很难被检测到。
但当达到传感器的共振频率时,除了瞬态冲击波外没有其它强的振动信号源(不平衡、不对中等都是在较低的频率段显示的故障)。
因此瞬态冲击可以单独激发传感器产生共振,并使该频率的信号被增强。
需要注意的是你虽然可以从大多数的数据采集系统中得到趋势数据(通过峰值能量法、高频检测法等),但你不能仅仅利用这一个读数(冲击脉冲读数)与标准值的比较来判断轴承的状态。