滚动轴承故障诊断技术.doc

1、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

2、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、

3、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

4、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

5、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

6、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

7、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

8、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

9、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

10、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。3.2 经验模态分解N E Huang 在1998年提出了经验模态分解（Empirical Mode Decomposition,简称EMD）方法【17】。EMD方法从本质上讲是对非平稳信号进行平稳

11、化处理，它将原始信号分解为若干个平稳的固有模态函数（Intrinsic Mode Function，简称IMF）及一个余项之和，分解出的各个IMF分量更好的体现出了数据的局部特征。选取与轴承特征频率相关系数较大的IMF分量（包含了主要故障信息）进行进一步分析，如采用Hilbert变换获得包络信号，然后对其进行频谱分析，从中提取出特征参数，从而为轴承的故障诊断提供依据。EMD信号处理方法具有自适应分解特性，信噪比高，对非平稳和非线性信号的处理具有较高的效率。但是，EMD理论仍处在一个发展的阶段，很多问题亟待解决，其理论还需要不断完善。目前，影响其应用的主要问题包括模态混淆、基本模式分量的判据问题

12、、端点效应问题以及欠包络和过包络的问题。有关EMD的具体算法、应用和存在问题可参考文献18。另外，基于振动信号的高阶谱、分形理论、局部均值分解（LMD）、奇异值分解等方法也开始在滚动轴承的故障诊断中得到了应用并且取得了不错的效果。目前，随着科学的发展，模糊理论、神经网络、专家系统、灰色系统理论等越来越多的被应用于滚动轴承故障诊断之中，为滚动轴承故障诊断提供了新的方法【19】。西北大学的王平等利用共振解调技术和BP神经网络技术实现了滚动轴承在线智能诊断【20】。湖南大学的杨勇等利用EMD和神经网络实现了对滚动轴承内外圈故障的诊断【21】。长春大学的陆爽等采用奇异值分解和神经网络的方法实现了对滚动

13、轴承的故障诊断，取得了很不错的效果【22】。中北大学的崔宝珍等利用小波分析和模糊理论比较准确地识别出了轴承的故障信息【23】。二、油液分析诊断技术【24,25】机械零件摩擦副相互作用的时候，会产生许多细小的磨损颗粒，这些磨损颗粒在润滑系统的作用下悬浮于润滑油中，磨损下来的颗粒蕴涵着设备磨损状态的重要信息。通过有效的分析这些磨损颗粒的种类、数量及其变化规律，就可以判断机械零件摩擦副的磨损状态。这就是油液分析监控技术的基本原理。目前用于设备故障诊断的油液分析方法主要有:润滑油常规理化分析法、污染度测试分析法、光谱分析法、红外测温诊断技术法和铁谱分析法。其中铁谱分析在我国是应用最多、最普遍的油液分析

14、设备诊断方法之一。铁谱分析是1970年由美国麻省理工学院的W.W.Seifert和超音公司的V.C.Westeott开始提出的一种新的机械磨损观测方法，于1972年取得成功。铁谱技术要基于各种类型的铁谱仪、铁谱显微镜、扫描电子显微镜等基本设备和工具来实现。它利用高梯度强磁场将润滑油中所含碎屑按其粒度大小有序地分离出来，通过铁谱显微镜对磨屑形态、大小、成分和粒度分布等方面进行定性定量观测，从而得到有关摩擦磨损状态的重要信息以进行故障分析和诊断。目前，铁谱分析大多数采用的是直接铁谱和分析铁谱，旋转铁谱在近几年也得到了越来越多的注意。油液分析诊断技术的五种方法是从不同的角度对轴承用油来进行监测的，其

15、共同组成的油液分析系统有效的避免了因采用单一手段而导致的漏诊和误诊现象，实现了对油液的全面监测，提高了轴承故障诊断的准确性。铁谱分析的许多特点使得铁谱技术在磨损分析与状态监测中得到了广泛应用，但是，应当指出的是，在采用的时候并不是只使用一种或者两者手段。三、基于声发射的故障诊断技术【26】声发射（Acoustic Emission，简称AE）技术是利用物质内部微粒(包括原子、分子及粒子群)相对运动产生瞬态弹性波而释放应变能的现象，来识别和了解物质或结构内部状态的一种技术。滚动轴承在运行过程中会由于内部金属结构的变化（如表面损伤、裂纹和磨损等）或受到冲击而产生这种弹性波，并以雷姆波的形式在材料的

16、表面传播，这些波能够被专用的声发射传感器检测到，拾取的这些信号包含了丰富的故障信息。声发射产生于微观的层次，对物质和结构的变化十分的敏感，适合于检测与预报滚动轴承的早期故障，大大提高了滚动轴承早期故障识别的准确性。但是声发射技术需要专用设备，相对价格比较昂贵，使得该诊断技术的推广受到了一定的限制。四、光纤诊断技术光纤又称为光导纤维，是一种由双层玻璃纤维和预涂层所构成的传输光波介质，是一种新型的光波导。光纤监测可以直接从轴承套圈表面提取故障信号，利用光导纤维制成的位移传感器可发送光纤束，光纤束经过传感器端面与轴承套圈表面的间隙反射回来，再由接收光纤束接收并经过光电元件转换为电压输出。轴承工作时会

17、引起间隙的改变，输出电压也会随之改变，传感器会输出电压-间隙量特性曲线图，然后再根据均方根值或峰值均方根值比等指标进行故障诊断。利用光纤监测技术进行滚动轴承的故障诊断具有较高的灵敏度，可以直接反映滚动轴承工作表面的磨损情况、润滑和间隙等情况。该方法适用于可将传感器安装在轴承座内的场合。五、基于温度的故障诊断技术温度诊断技术是一种比较简单的诊断技术。滚动轴承出现故障时，温度就会发生变化，因此轴承的温度可以一定程度上反映轴承的运转参数的变化和运行的故障。但是，轴承的运转温度会受到转速、摩擦力矩、润滑情况以及轴承的运转状态等多种因素的影响，因此，温度的变化并不一定是由轴承的运转状态变化引起的。另外，

18、当轴承的温度有明显变化时，故障一般都达到了相当严重的程度，因此无法早期发现故障。轴承故障时一个动态发展的过程，在实际中滚动轴承的故障也往往并不是以单一的形式出现的，可能会出现多种故障同时复合发生的情况，这就给故障的诊断带来了很多困难。目前，对滚动轴承故障诊断的技术有很多，但研究的多局限于单一故障，对复合故障分析的较少，并且很多技术本身在理论和实践上还需要完善，一些新的技术和理论也不断被应用于滚动轴承的故障诊断中，因此，在滚动轴承的故障诊断方面还有许多值得我们去探究。参考文献：1何正嘉等. 机械故障诊断案例选编. 西安:西安交通大学出版社，19912沈庆根，郑水英. 设备故障诊断. 北京：化学工

19、业出版社，20053孟庆丰，何正嘉，赵纪元. 调制信号的时-频分布特征及应用. 振动、测试与诊断，1994，14（4）：7144梅宏斌等滚动轴承振动监测与诊断理论方法系统北京：北京机械工业出版,19965孟涛. 齿轮与滚动轴承故障的振动分析与诊断. 西安：西北工业大学，20036王国峰，轴承疲劳剥落的早期诊断方法，大连：大连海事大学学报，20027张贤达.现代信号处理.北京:清华大学出版社,20028Williams W J，Zalubas E J. Helicopter transmission fault detection via time-frequency，Seale and spe

20、ctral methodsJ. Mechanical Systems and Signal Processing，2000，14(4):25309王世一. 数字信号处理M北京:北京理工大学出版社2005.610时建峰. 基于时、频域一小波分析和神经网络方法的齿轮箱故障诊断研究，太原：太原理工大学硕士学位论文，200811唐德尧.共振解调故障诊断技术的特点及应用铁道经济研究，2000,38(4):45-4712魏松.基于短时傅里叶变换语言信号分析算法J.电子测量技术.2006,(29)1617.13孔亚林. 基于振动信号的滚动轴承故障诊断方法研究. 大连：大连理工学位论文，200614牛峻峰，郑

21、宾，侯文.基于小波包分析的滚动轴承故障诊断方法的研究. 太原：中北大学电子测试技术国家重点实验室，200915.张佩瑶,马孝江,王吉军等.小波包信号提取算法及其在故障诊断中的应用.大连：大连理工大学学报,1997,37(1),67-72.16管辉.基于小波分析的滚动轴承故障诊断方法研究.太原：太原科技大学学位论文，200817HUANG N E，SHEN Z，LONG S RThe empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis

22、J.Proc.R.Soc.Lond.A,1998,454：90399518王宏禹.信号处理相关理论综合与统一.北京：国防工业出版社，200519李兴林.滚动轴承故障诊断技术现状及发展.杭州：杭州轴承试验研究中心，200920王平,廖明夫.基于神经网络的滚动轴承故障包络信号的自动识别.航空发动机,2004,2030(2):23-2621杨勇，于德介，程军圣.基于EMD与神经网络的滚动轴承故障诊断方法.长沙：湖南大学机械与汽车工程学院，200522陆爽，马东熊，李萌，钟声.基于奇异值分解的滚动轴承故障诊断的神经网络方法.长春：长春大学机械工程学院，长春工业大学工程训练中心，200423崔宝珍、王泽兵、潘宏侠.小波分析-模糊聚类法用于滚动轴承故障诊断. 振动、测试与诊断，200824段学燕. 基于机器学习的油液分析系统研究.武汉：华中科技大学学位论文，200625李兴林. 用铁谱技术定量监测滚动磨损. 轴承，1994，（3）：35-3826理华，徐春广.滚动轴承声发射检测技术J. 轴承，2002，(7):24一26.