马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？我要加入
x
滚动轴承故障诊断
1.前言
滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。据统计。旋转机械的故障有30％是由轴承引起的。可见轴承的好坏对机器的工作状况影响很大。轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。包括以下几个环节：信号测取；特征提取；状态识别：故障诊断；决策干预[1]。
滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。
在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。它具有时域和频域的局部化和可变时频窗的特点．用它分析非平稳信号比传统的傅里叶分析更为最著。由于滚动轴承的故障信号中禽有非稳态成分，所以刚小波分析来处理其振动信号．可望获得更为有效的诊断特征信息[2]。
滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。
2.故障信号诊断方法
2.1冲击脉冲法(spm)
SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz～60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。显然，固定的滤波频带有其局限性。实际使用情况表明，当背景噪声很强或有其他冲击源时，SPM诊断效果很差，失去实用价值。
2.2共振解调技术
共振解调法(Demodulated Resonance Analysis)也称包络分析法或高频共振技术是处理机械冲击引起的高频响应信号的有效方法。当机械故障引起等间隔的高频冲击脉冲响应信号时，用硬件进行高通滤波，检波和低通滤波提取信号的包络，或对用硬件或软件进行高频带通滤波后的信号进行Hilbert变换求包络；对包络信号检测其峰值P、均值R或P／R值，可诊断滚动轴承的某些故障。当以轴承结构系统的共振频率为滤波器的中心频率时，包络分析方法存在着如何确定带通滤波器的中心频率和带宽的问题。由于预先难以确定设备结构系统的共振频率，不同设备结构系统共振频率的变化范围又较大，为了使滤波器具有较大的适应性，只好选择较宽的滤波频带，但是，较宽的频带势必引入大量的干扰噪声，降低信噪比；若带宽选得过窄则有可能漏掉结构系统的共振频率。对包络信号进行谱分析可识别出冲击产生的频率，但是当出现谐波或由于包络信号存在幅值调制而引起和频、差频时，包络谱变得十分复杂，难以识别；而此时，包络谱单一谱峰的峰值也不能用于评价故障的严重程度。
2.3小波分析
小波变换是近年来发展起来的一种新的时频信号分析方法，由于其良好的时频特性，被国内外广大科研工程人员应用于故障诊断领域。文献[21]以Haar小波变换为基础，采用脉冲指标为诊断参数，对滚动轴承进行故障诊断。对经过小波变换方法处理后的滚动轴承振动信号进行谱分析，以自定义的诊断参数作为识别滚动轴承损伤类故障的特征量，但是，由于该方法采用的变换尺度较小，当存在其他低频段强能量干扰时，该特征量的有效值得怀疑。小波变换与其他分析方法的结合对滚动轴承进行故障诊断，取得了良好的诊断效果。文献[22]对振动信号进行小波分解，然后再进行包络解调分析，减小了计算量，提高了诊断准确率。文献[23]利用小波包对滚动轴承的振动加速度信号进行分解，得到振动信号在不同频带的能量，并以此作为特征向量，然后采用加权k近邻法对滚动轴承进行故障诊断。文献[24]利用小波包得到的滚动轴承在不同频带的能量特征与径向基函数网络(RBFN)相结合，同样得到了理想的检测结果。
2.4 倒频谱诊断滚动轴承故障
在对齿轮箱类设备进行故障诊断时．为更准确地找出故障特征频率。往往需要进行频率细化分 昕。但在实际分析时发现，仅进行频率细化分析有时还无法看清频率结构。还需要进一步做倒频谱分析倒频谱能较好地检测出功率谱上的周期成分．通常在功率谱上无法对边频的总体水平做出估计．而倒频谱则具有“概括”能力。能较明显地显示出功率谱上的周期成分，使之定量化。将原来谱上成族的边频带简化为单根谱线。便于观察。而齿轮、轴承等零部件发生故障时，振动频谱具有的边频带一般都具有等间隔(故障频率)的结构，利用倒频谱的这个优点。可以检测出功率谱中难以辨识的周期性信号。
3.故障信号的智能诊断技术
滚动轴承的智能诊断技术就是利用人工智能技术中的专家系统、知识工程、遗传算法、模糊理论和人工神经网络等技术和滚动轴承的特征参数或其他信号处理方法相结合对轴承故障进行诊断与监测。文献[25]利用滚动轴承中状态监测中的几个特征量，即峰值、有效值、峭度值，轴承外圈、内圈和滚动体的特征频率幅值等参数作为神经网络的输入参数，对滚动轴承的故障进行诊断，试验表明该方法可以对轴承故障进行有效的监测和诊断。文献[26]将分形维数概念与多层感知器神经网络结合，以分形维数作为特征量输入的分形神经网络诊断方法，应用到轴承系统实例诊断分析，获得了明显的诊断结果。文献[27]构造了基于P一范数模糊神经网络，算法可以对Sugeno—Takagi模型进行逼近，因而更便于学习，克服了单纯前向神经网络训练中容易陷入局部极小及收敛速度较慢的缺点。文献[28]将小波包和神经网络相结合，先利用小波包分解对滚动轴承的动态信号进行分析、提取特征，然后采用Kohonen神经网络进行滚动轴承故障诊断。文献[29]利用遗传规划的方法对滚动轴承的振动信号幅值特征参数进行自组织，生成了高分辨率的用于逐次诊断的最佳特征参数，以提高轴承故障诊断的准确率。明延锋在文献[30]中提出了一种基于并行组合模拟退火算法的故障识别方法。此算法是将模拟退火算法较强的局部搜索能力和遗传算法对搜索过程总体较强的把握能力相结合，相互取长补短，而构成的一种性能优越的全局搜索算法。试验表明该算法在滚动轴承早期故障信号(弱信号)识别应用中非常有效，但存在运算速度慢的缺点。
3 总结
近几年，新技术和新方法层出不穷，人工智能和计算机在轴承故障诊断中的应用越来越广泛，今后的发展方向主要体现在以下方面：
(1)时域分析和频谱分析在轴承故障诊断中的应用将日趋完善；
(2)对于轴承故障诊断的理论和方法进一步深入研究，并且各种研究成果将会逐步应用到实际生产；
(3)故障诊断智能系统进一步的深入研究，多种轴承故障分析方法相结合，如小波神经网络、模糊识别与小波分析相结合等新分析方法应用智能专家系统，提高诊断的效率和准确率；
(4)随着计算机和网络技术的发展，远程故障诊断将是现代故障诊断发展的一个重要的方向。
参考文献
[1] 王军. 滚动轴承故障诊断. 中国高教论丛,2002,24(2):27～30
[2] 秦香敏，潘宏侠. 滚动轴承故障诊断方法研究. 科技情报开发与经济,2007,17(2):150～151
[3] 仇学青,张鑫.滚动轴承故障诊断研究的国内现状与发展方向.煤矿机械,2007,28(6):6～8
[4] 金晓光，高德柱.倒频谱分析在滚动轴承故障诊断中的应用. 冶金动力,2007,4:93～97
[5] 岳建海,裘正定.信号处理技术在滚动轴承故障诊断中的应用与发展.信号处理,2005,21(2):185～190
[6] 周晓凯。机械设备故障诊断理论方法及其应用的研究，天津大学博士论文，1993。
[7] 钟秉林黄仁．机械故障诊断学[M]．北京：机械工业出版社．1997．
[8] 中国机械工程学会．设备管理与维修杂志川．2001年8月．
[9] 韩庆大．设备状态监测与故障诊断技术【M]耽阳：东北大学设备诊断工程中心。2005．
[10] 盛兆顺，尹琦玲．设备状态监测与故障诊断技术及应用【M】．北京：化学工业出版社，2003．
[11] 王江萍．机械设备故障诊断技术及应用[U1．西安：西北工业大学出版社，2001．
[12] 刘惟信．机械可靠性设计[M]．北京：清华大学出版社，1996
[13] 孔瑞莲．航空发动机可靠性工程[M]．北京：航空工业出版社，1995
[14] 李涛，贺永军，刘志俭．Matlab工具箱应用指南一应用数学篇[M]．北京：电子工业出版社，2000
[15] 张志涌，徐彦琴．Matlab教程一基于6．X版[M]．北京：北京航空航天大学出版社，2001
[16] 杨福生．小波变换的工程分析及应用[M]．北京：科学出版社，1999．
[17] 沈松，刘进明．用小波变换识别机械故障中的通过振动[J]．振动与冲击，1999，18(2)．
[18] 张贤达．现代信号处理[M]．北京：清华大学出版社，2002
[19] 张贤达，保铮．非平稳随机信号分析与处理．北京：国防工业出版社，1999．315~320
[20] 吴今迈．设备诊断实例．上海：上海科学技术文献出版社．1997．182～ 187
[21] Yan Yuling，Shimogo Taro．Application of the impulseindex in rolling element beating fault diagn osis．Mechanical systems and signal processing，1 992，6(2)．
[22] Rubibi R．and Meneghetti U．Application of the envelopeand wavelet tran sforin an alyses for the diagnosis ofincipient faults in ball bearings．Mechanical Systems andSignal Processing，2001，15(2)，287—302
[23] 夏利民，谷士文等。基于小波包分析的货车滚动轴承故障诊断，中国铁道科学，2002，23(6)。
[24] 李世玲，李治等。基于小波包能量特征的滚动轴承故障监测方法，系统仿真学报，2003，15(1)。
[25] Bo Li and Mo—Yuen Chow，etc．Neural—network—basedmotor rolling bearing fault diagn osis，IEEE tran sactionson industrial electronics，October,2000，47(5)．
[26] 侯祥林，李永强等。非线性机械设备系统的分形神经网络诊断方法，振动工程学报，2001，14(2)
[27] 许锋，鲍明。p一范数模糊推理神经网络及其在滚动轴承诊断中的应用，振动工程学报，2001，14(1)
[28] 夏利民。基于Kohonen神经网络的滚动轴承故障诊断计算机工程，2003，29(3)
[29] 张业伟，骆志高。基于遗传规划的滚动轴承故障诊断试验研究，中国设备工程，2001，9
[30] 明延锋，张永祥等。滚动轴承故障诊断中的并行组合模拟退火算法研究，海军工程大学学报，2001，13(3) |
发表于 2009-2-19 21:37
提升卡
变色卡
显身卡
