滚动轴承故障诊断技术

滚动轴承故障诊断技术的研究

滚动轴承是现代机器中应用最为广泛的机械零件，尤其在旋转机械中更是得到了大量的应用。滚动轴承是大部分旋转机械的组成部件，但也是机器中最易损坏的元件之一。滚动轴承寿命离散性很大，承受冲击的能力差，在冲击载荷下容易发生故障，旋转机械的许多故障都与滚动轴承有关。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【1】。轴承的工作好坏对机器的工作状态有很大影响，其引起的直接后果轻则降低和失去系统的某些功能，重则造成严重的甚至是灾难性的事故。因此滚动轴承的故障诊断近年来获得越来越多的重视。对滚动轴承故障诊断技术的分析研究也变得尤为重要。

滚动轴承故障诊断的方法很多，根据诊断机理的不同来分类，其故障诊断技术主要有：振动诊断、油液分析诊断、声学诊断（基于声发射）、光纤诊断、热诊断（热成像诊断和温度诊断）等【2-4】。它们各具特点，在滚动轴承故障诊断领域的适用范围也不同。其中振动诊断技术的相关理论和实践都相对比较成熟，在轴承故障诊断领域应用最为广泛。

一、基于振动信号的诊断技术

基于振动信号的诊断技术能够诊断大多数滚动轴承故障，其优点是可在运动中测得轴承信号。目前，国内外开发生产的各种滚动轴承故障诊断与监测仪器大都是根据振动法的原理制成的。据有关资料统计，有关轴承监测和诊断的文献，80%以上讨论的是振动法【5】。

振动分析主要有：时域分析、频域分析、时频域分析。从某种意义上讲，三种诊断方法出现的时间顺序也体现出了滚动轴承基于振动信号故障诊断的发展趋势。

1. 时域分析法

时域诊断方法是发展最早的、基于所采集振动信号的滚动轴承故障诊断方法。通常采集的振动信号都是十分复杂的时域波形，伴随着噪声、轴承元件固有振动等因素的影响。如果仅仅从时域波形上直接观察分析，往往很难判断出轴承是否处于正常状态。即使判断出轴承存在故障，也很难确定故障的性质和部位等关键信息。为此，在时域分析中，普遍采用振动信号的基本数字特征及其概率分布特征以及时间序列分析来进行分析和诊断。

常用的振动信号基本数字特征有：峰值、均值、均方根值、方差、概率密度函数以及峰值因子、波形因子、峭度系数等无量纲特征参数。该方法的优点是比较简单、方便、快捷，但易受噪声影响，只能粗略判断出故障的性质。在利用时域分析进行故障诊断时，为使诊断效果更加理想，一般要对几个特征参数进行综合分析。例如，王国峰[6]利用时域指标中的峭度、均方根值和峰值对轴承早期疲劳剥落进行了研究，将均方根值、峰值、峭度值这三个参数指标综合起来加以考虑，同时进行判断，效果非常显著。

冲击脉冲计数法也属于时域分析法（参考文献《基于时间序列分析的滚动轴承的故障诊断》新疆大学硕士论文，夏瑞花，Page7）

时间序列分析是一种较好的数据处理方法，通过建立数学模型来研究数据本身的统计特性以及系统的动态特性，从而将数据、模型、系统联系起来进行分析处理。常用的时间序列模型有ARMA模型、AR模型以及MA模型。关于各种模型的特点、算法以及适用领域可参考文献[7]。随着时序分析方法的日趋成熟，时序方法在机械故障诊断领域受到越来越广泛的重视。

2. 频域分析法

频域分析主要是为了确定信号的频率结构—信号的频率成分及各频率成分的幅值大小。信号的频域信息包含了大量的机械运行状态信息，故障的发生、发展都会引起信号频率结构的变化。频域分析包括频谱分析、细化谱分析和解调谱分析、倒频谱分析、差频分析等[8，

9]。频谱分析中常用的是自功率谱；细化谱分析技术是近年来由快速傅里叶变换（FFT）方法发展起来的一项新技术，它可对频谱中部分频段进行局部放大，使某些感兴趣的重点频段得到较高的分辨率。细化分析方法很多，而现在应用比较广的是复调制细化方法以及它的改进算法【10】；滚动轴承的故障振动信号具有很强的调制性，因此，在故障诊断尤其是要准确诊断出故障部位时，要对所测得的振动信号进行解调分析。目前，在滚动轴承故障诊断中，常用的解调方法有Hilbert变换和检波滤波法等。

共振解调法也称为包络检波频谱分析法，是频域分析中最有效的也是最常使用的方法之一。共振解调法利用轴承或传感器检测系统作为谐振体，当轴承出现故障时会产生冲击脉冲信号，激起谐振体的共振。该方法通过把故障冲击产生的高频共振响应进行放大，用包络检测方法提取包含轴承故障特征信息的低频成分，然后对提取的低频波形进行频谱分析得到故障的间隔频率，继而确定故障的类型及发生部位。其具体原理、特点以及优缺点可参考文献[11]。

3. 时频分析法

滚动轴承在工作时由于载荷、摩擦力和阻尼等因素的存在，其振动常常是非线性的;另外，在信号采集过程时，采用的接触式传感器无法直接检测运转中的轴承的振动信号，只能固定在轴承座上，此时采集的振动信号不仅包含了轴承的振动信息，还会有轴承座、传感器等元件的固有振动信息；同时各种不确定的噪声以及外部环境都会对信号的采集产生不确定性的影响。由于受上述多种因素的影响，实际采集到的包含轴承故障信息的振动信号往往会具有非平稳、非线性的随机信号特性。

由于非平稳信号的统计特性和频率是随时间变化的，此时若仅仅采用基于平稳信号的时域分析或频域分析，就无法同时兼顾信号在时域和频域的局部化特征，而这些局部化特征恰是轴承故障的表征【10】。非平稳信号的局部特征需要使用时域和频域的二维联合表示，对这种信号的分析称为时频分析。时频分析可以在时间和频率上同时表示信号的能量或者强度，从而就可以对信号进行分析、处理，提取信号中的特征信息以进行故障诊断。

1964年Gabor首先总结提出了短时傅里叶分析【12】的方法，开创了时频分析的新领域。其后，Ville又把Wigner在研究量子力学理论时提出的时-频分布理论应用到信号分析中，提出了Wigner-Ville【13】分布。

随着现代信号处理理论的迅速发展，对非平稳、非线性信号故障特征信息的提取方法也越来越多。目前被广泛应用于或正在研究的滚动轴承故障的时频分析方法主要有：

3.1 小波变换【14-16】

小波变换继承并发展了短时傅里叶变换的局部变化的思想，可实现窗口的宽度随频率的增加而减少，分辨率也随之变化，符合对含有随时间变化的复杂频率成分的信号进行时频分析的要求。

选择基本小波函数是应用小波变换的一个主要问题。能作为基本小波的函数至少必须要满足：

（1）具有带通性质；

（2）必须是有正负交替的振荡波形，使其平均值为零。

常用的小波有：Daubechies小波、Morlet小波、Mexican Hat小波、Meyer小波等。

小波包（由基函数确定的一正交序列）分解可将频带进行多层次划分，并根据被分析信号的特征自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时-频分辨率，解决了傅里叶变换不能解决的许多问题，被誉为“数学显微镜”。

在利用小波包分析对滚动轴承故障诊断时，由于所测得的振动信号受噪声和系统调制的影响，往往要在对振动信号进行小波包分解后，再对低频的分解系数进行重构，然后通过希尔伯特变换进行调解和细化谱分析，从而找出故障特征频率，进而判断出发生故障的部位。