轴承故障诊断
轴承的失效,狭义上指不能满足预定任务,广义上包括可以运行但性能开始劣化的情况。其失效形式包括磨损(润滑失效),疲劳点蚀,变形。低速轴承寿命应按静强度校核,高速轴承除了按疲劳寿命进行校核外,还要计算极限转速。疲劳寿命分布很广,一般以90%不出现疲劳失效的总转数未结果,但实际使用中不一定能和理想估计一般情况。
对轴承故障进行程度上的诊断,对预期寿命进行大致估算,进而得以提前准备配件更换,可以减少停机时间提高生产效率,也可应用于批量产品的出货管控。主流的诊断都是基于振动,从早年的耳听声音,监测温升和使用简单设备检测整体振动,到近年的观察时域和频域的轴承故障特征,一直到16年随着人工智能的火热,部分研究者开始利用深度学习研究故障诊断。
根据轴承的设计参数,比如球径球数等,结合一定公式,可以算得故障倍频,也可以直接和供应商索取,然后对检测得到的振动信号进行快速傅里叶变换,对比故障倍频观察频域特征。
对于轴承故障程度较轻的微弱信号,会使用不同方法进行信号处理以增强故障特征,比如共振解调包络检波,
对于信号特别不平稳的,要使用短时傅里叶变换(在选择窗口尺寸上有一定限制),或者小波/小波包等时频分析(小波包的频域划分更详细,小波则是低频时域分辨率好,高频频域分辨率好)
还可以通过经验模态分解后进行fft来分析不同频率成分与轴承故障倍频的联系,相比要预选小波基的方案,emd更贴近现实世界,
因为近年机器学习较火,部分老师尝试把神经网络等技术用于故障分级,但这些应用依然要依赖人工提取特征,是先按理论或经验提取特征后再由神经网络分类,在故障形式不明信号特征不显时效果较差。16年开始深度学习越来越火,业界开始使用深度网络对时域或频域信号进行自动特征提取再进行有监督微调和分类,从人训练机器转向机器自学习,效果还有待验证,国内的研究者集中在西安,重庆,上海,北京等高校,发表文章较多,国外的马里兰大学,德州农工等有教授在研究,但发表文章不多。
微信号 : CHINA-PME1980
新浪微博:@设备管理与维修
注:本图文系知乎转载,不代表《设备管理与维修》杂志观点;如有侵权烦请联系处理。