標籤:

軸承故障診斷

軸承的失效,狹義上指不能滿足預定任務,廣義上包括可以運行但性能開始劣化的情況。其失效形式包括磨損(潤滑失效),疲勞點蝕,變形。低速軸承壽命應按靜強度校核,高速軸承除了按疲勞壽命進行校核外,還要計算極限轉速。疲勞壽命分布很廣,一般以90%不出現疲勞失效的總轉數未結果,但實際使用中不一定能和理想估計一般情況。

對軸承故障進行程度上的診斷,對預期壽命進行大致估算,進而得以提前準備配件更換,可以減少停機時間提高生產效率,也可應用於批量產品的出貨管控。主流的診斷都是基於振動,從早年的耳聽聲音,監測溫升和使用簡單設備檢測整體振動,到近年的觀察時域和頻域的軸承故障特徵,一直到16年隨著人工智慧的火熱,部分研究者開始利用深度學習研究故障診斷。

根據軸承的設計參數,比如球徑球數等,結合一定公式,可以算得故障倍頻,也可以直接和供應商索取,然後對檢測得到的振動信號進行快速傅里葉變換,對比故障倍頻觀察頻域特徵。

chinabaike.com/t/32776/

對於軸承故障程度較輕的微弱信號,會使用不同方法進行信號處理以增強故障特徵,比如共振解調包絡檢波,

blog.csdn.net/wy2ysh/ar

對於信號特別不平穩的,要使用短時傅里葉變換(在選擇窗口尺寸上有一定限制),或者小波/小波包等時頻分析(小波包的頻域劃分更詳細,小波則是低頻時域解析度好,高頻頻域解析度好),

zhihu.com/question/2286

還可以通過經驗模態分解後進行fft來分析不同頻率成分與軸承故障倍頻的聯繫,相比要預選小波基的方案,emd更貼近現實世界,

cnblogs.com/bnuvincent/

因為近年機器學習較火,部分老師嘗試把神經網路等技術用於故障分級,但這些應用依然要依賴人工提取特徵,是先按理論或經驗提取特徵後再由神經網路分類,在故障形式不明信號特徵不顯時效果較差。16年開始深度學習越來越火,業界開始使用深度網路對時域或頻域信號進行自動特徵提取再進行有監督微調和分類,從人訓練機器轉向機器自學習,效果還有待驗證,國內的研究者集中在西安,重慶,上海,北京等高校,發表文章較多,國外的馬里蘭大學,德州農工等有教授在研究,但發表文章不多。

有空的同學推薦看下《滾動軸承診斷現場實用技術》,寫的很好。


推薦閱讀:

TAG:故障診斷 |