基于振动信号的滚动轴承智能健康管理

目录
前言
第1章 绪论 1
1.1 滚动轴承健康监测管理的目的和意义 1
1.2 滚动轴承健康监测管理的研究内容 2
1.3 滚动轴承健康监测管理分类 4
1.4 滚动轴承健康监测管理的发展历程 8
1.5 基于振动信号的滚动轴承智能健康监测管理研究现状 10
参考文献 12
第2章 滚动轴承健康退化的振动特征 15
2.1 滚动轴承的健康退化类型 15
2.2 滚动轴承运行的振动发生机制 17
2.3 振动信号的状态特征 23
2.4 小结 34
参考文献 35
第3章 基于多信息融合解调的轴承健康监测管理 37
3.1 信息融合简介 37
3.2 多指标模糊融合条件下轴承健康状态智能监测 38
3.3 信息负熵多尺度灰色聚类识别轴承故障 51
3.4 小结 74
参考文献 75
第4章 基于数学形态学的滚动轴承智能健康监测技术 77
4.1 数学形态学简介 77
4.2 滚动轴承振动信号多尺度自相关形态平稳小波分析 78
4.3 连续尺度数学形态学方法智能监测滚动轴承健康状态 102
4.4 小结 124
参考文献 125
第5章 基于振动信号广义同步挤压变换的滚动轴承智能健康监测 128
5.1 广义同步挤压变换原理 128
5.2 基于广义同步挤压变换的滚动轴承智能健康监测 139
5.3 仿真信号分析 145
5.4 实验验证评估 150
5.5 小结 159
参考文献 160

文摘

第1章 绪论
1.1 滚动轴承健康监测管理的目的和意义
滚动轴承的健康监测管理问题得到重点关注，是因为滚动轴承作为承受载荷和传递载荷的重要部件，是各类装备中具有重要作用的基础关键件。国务院颁发的《关于加快振兴装备制造业的若干意见》提出，以关键领域的重大技术装备和产品为重点，实现重大突破，振兴装备制造业。《国家中长期科学和技术发展规划纲要（2006—2020年）》[1]定义的优先主题及其重点领域中，“基础件和通用部件”“高速轨道交通系统”“高效运输技术与装备”“交通运输安全与应急保障”都被列为国家重点鼓励发展的领域。这些关键领域的重大技术装备和产品，大部分都需要高精度的、可靠性强的滚动轴承。另外，滚动轴承广泛应用于许多关系国计民生的重要行业，如交通运输、河海运输、航天航空、机械制造、化学工业、军事工业、钢铁冶金、石油开采与冶炼等领域[2]。
在旋转机械设备中，滚动轴承是最容易损坏的部件之一。旋转机械设备中，滚动轴承的故障大约占总故障的30%[3]；电机故障中，40%的故障源于电机中的滚动轴承故障[4， 5]；齿轮箱系统中，轴承故障率仅次于齿轮故障率，大约占20%[3， 4]；我国每年约有40%的机车，所使用滚动轴承要经过下车检验，需要更换的滚动轴承约占下车检验轴承的33%[2]。在现实生产生活中，由于机械设备失效引发重大事故时有发生。2014年，俄罗斯一架米-8直升机坠毁事故，调查结果显示是因为发动机故障；2005年，某300MW发电机因为转子裂纹而报废[2， 6]。
在铁路运行领域，2007年8月郑州铁路局管辖内的一列货运列车因轴箱轴承过热发生热切轴故障，导致列车脱轨遇险；同年9月，一列货运列车因轴箱轴承质量问题，导致一节车箱某轴发生热切[7]。事实上，通过统计近几年来铁路部门的实际检修情况[7]，不难发现各型列车的滚动轴承，均可能出现不同程度的损伤。
上述事故表明，研究滚动轴承的健康监测管理问题，对保证设备运行安全和人员安全、减少经济损失具有重要的意义。当前针对滚动轴承等关键零部件进行的在线辨识、诊断、预测和监控技术还不能完全满足装备制造业发展的需要，尤其是对于关键零部件的早期故障，因为信号微弱，难以发现。为了避免事故的发生，必须进一步建立和完善在线监控和预警系统，智能健康监测管理系统正是与之相匹配的应对策略之一[7]。
随着制造业与新一代信息技术的深度融合，全球的制造业格局正面临重大调整，也将引发影响深远的产业变革。美国、德国、日本等都公布了各自的工业4.0战略计划。2015年5月，我国印发《中国制造2025》，对智能制造领域做出了整体规划，其中明确提出智能制造的主攻方向是信息化与工业化深度融合。设备维护与管理领域，经历了事后维修和定期检测等发展阶段后，正向可预测性维护快速推进，对滚动轴承等关键设备进行基于振动监测的智能健康监测管理，也是实现智能制造的迫切需求之一。
滚动轴承健康监测管理的主要目的是有效开展滚动轴承的可预测性维护，实现滚动轴承状态监测智慧化。在大数据驱动下，能够预测设备的故障时间及故障点，降低备件库存，把变化变成计划的一部分，使得维修成本大幅降低，为工业4.0和《中国制造2025》等制造业创新战略背景下的智慧工厂添砖加瓦，推动智能制造的稳步实现。
1.2 滚动轴承健康监测管理的研究内容
滚动轴承健康监测管理是机械工程、数学、物理、电子技术、通信技术、计算机技术、工业工程等多学科融合的技术，滚动轴承的振动信号、噪声信号、温度信号、工作参数变量信号甚至气味信号都包含滚动轴承的健康状态。因此，可以通过监测滚动轴承在各种工况下表现出来的各种健康状态信号，如振动、噪声、温度、工作参数变量、气味、泄漏，然后通过信号分析和信息处理等综合技术手段，来对滚动轴承的健康状态、故障类型和故障严重程度进行综合评价。实际应用中，滚动轴承的健康监测管理也是围绕着振动、噪声、温度等信号进行研究的[3， 5]。轴承状态监测过程一般包括三个步骤：首先是获取轴承状态信号，其次提取故障特征信息，最后通过模式识别等技术诊断故障状态，其流程如图1-1所示[2]。
图1-1 基于振动信号的滚动轴承健康监测管理的流程图
检测实验技术、信号处理与分析技术、故障模式识别技术及生命周期的预测评估技术是滚动轴承健康监测管理的主要技术手段。通过这些手段，可以达到如下目的[3-5]：检测和发现存在的异常，诊断故障状态、位置及故障类型，最终提出可行的诊断方案和诊断结论。因此，滚动轴承健康监测管理的主要研究内容可以具体描述如下。
（1）信号检测与采集，旨在获取能够反映轴承工作状态的信号。不同的滚动轴承的工作环境，有不同的信号采集方式和传感器的配置与安装。传感器检测装置检测到的信号通过高性能数据采集装置，采集滚动轴承状态信号如温度、位移、速度、振动等。其中，传感器和数据采集软硬件技术是研究的核心内容。
（2）状态信号特征提取。利用高性能数据采集装置采集到的滚动轴承状态信号通常包含较多的干扰噪声。状态信号特征提取主要是利用信号处理与分析技术，去除噪声干扰，提取出能够反映轴承状态的有用特征信息。比如，噪声干扰下的信号的频域信息含有较多的复杂频率成分，需要从这些复杂频率成分中提取出有效的故障频率特征。作为健康监测的关键步骤，信号特征提取将直接影响故障模式识别的可靠性和准确性。信号特征提取通常有如下方式：时域特征提取、频域特征提取及时频域特征提取，除此之外还可以利用其他一些非线性参数来提取信号特征[2]。
（3）健康特征模式识别。基于提取的滚动轴承状态信号特征，采用智能管理等技术，识别滚动轴承的故障模式，进一步诊断故障的类型、部位，并分析故障产生原因[8]。
（4）决策干预。有了上述的诊断结果后，就可以对滚动轴承的运行状态、故障发展趋势进行评估，然后做出滚动轴承健康管理决策，如调整、维修、控制、更换或继续监视等[8]。
1.3 滚动轴承健康监测管理分类
如前所述，滚动轴承的振动信号、温度信号、噪声信号等都蕴藏着滚动轴承的工作健康状态。这些载体反映了不同的故障检测机理。基于这些载体，可以相应开发出不同的滚动轴承健康监测管理，如基于振动信号的健康监测管理、基于油液的健康监测管理、基于温度信号的健康监测管理、基于噪声信号的健康监测管理、基于油膜电阻的健康监测管理及基于光纤信号的健康监测管理等[3， 9， 10]。
1.3.1 基于振动信号的健康监测管理
这是滚动轴承健康监测管理最常用的技术之一，与之相关的理论基础和实践应用都比较成熟，是实现滚动轴承在线监测的主要技术[11]。通过采集运行过程中轴承的振动信号，然后对其进行时域、频域或时频域分析，提取相应特征，针对滚动轴承出现的典型故障如变形、压痕、疲劳剥落、局部腐蚀等进行状态监测与智能管理[3]。滚动轴承的振动信号类型通常包括平稳振动信号、循环平稳振动信号、非平稳振动信号。相应振动信号的平稳性，又可以有针对性地开发出不同的振动信号滚动轴承故障诊断技术，其中时域分析法、频域分析法和时频域分析法是振动信号分析的主要手段。
1. 平稳振动信号分析
当滚动轴承在稳定状态下工作时，其振动信号多为平稳振动信号。傅里叶频谱分析方法是主要的平稳振动信号分析技术。傅里叶频谱分析将时域波形经过傅里叶变换转换成频谱图，采用振动信号的频谱特征（如特征频率、幅值、无量纲判别因子等）进行诊断分析。如果频谱图中有明显的故障频率波峰存在，则表示滚动轴承存在故障。傅里叶频谱分析对早期的轴承故障灵敏度不够，通常适用于轴承故障较严重的情形。另外一种常用的平稳振动信号分析技术是基于时间序列模型的统计参数分析。
除了上述两种技术之外，其他常用于滚动轴承平稳振动信号分析的方法有：倒频谱分析、时域平均方法、主成分分析技术、包络分析、细化谱技术、全息谱技术、双谱技术等[3， 5]，这些方法有效提高了信号分析的信噪比和性能。
2. 循环平稳振动信号分析
由于滚动轴承的结构具有对称性，其产生的振动信号中含有大量的周期成分，在一些工况下，滚动轴承振动信号的统计特征参量随时间呈现周期或多周期的变化规律。这是一种特殊的非平稳信号，具有循环平稳特性，因此被称为循环平稳振动信号。循环平稳振动信号的处理方法基于循环统计理论，最初的处理技术是将循环平稳振动信号分解为一组相关的平稳随机信号。后来随着二阶统计量的研究深入，基于二阶循环平稳理论的时间平滑周期图法、基于谱相关密度提取轴承故障特征信号的方法等被运用于滚动轴承故障诊断中。二阶统计量技术有效地降低了干扰信号和噪声对调制结果的影响，能够更好地提取故障特征，较准确地揭示故障成因，提高监测的准确性[3， 5]。高阶循环统计量诞生之后，很快应用到循环平稳振动信号的分析中[12]，如陈进等[13]应用高阶循环统计量理论在旋转机械的故障特征提取和识别中，指出将高阶循环统计量应用于机械设备的故障诊断领域具有重要意义。
3. 非平稳振动信号分析
当滚动轴承发生故障时，在采集到的振动信号中存在瞬态冲击响应成分，这种成分表现出持续时间较短、频带较宽等特点，这种带有时变特性的信号称为非平稳振动信号。傅里叶变换虽然在稳定振动信号分析领域展现了优越的性能，但不能够有效处理非平稳振动信号。
为了识别非平稳振动信号的局部性能，时域和频域的二维联合表示即时频信号分析是非常必要的。常用的时频信号分析方法有短时傅里叶变换（Short-Time Fourier Transform，STFT）、自适应时频分析（Adaptive Time-Frequency Analysis，ATFR）、小波变换（Wavelet Transform，WT）、奇异值分解（Singular Value Decomposition，SVD）、匹配追踪（Matching Pursuit，MP）、Wigner-Ville分布、经验模态分解（Empirical Mode Decomposition，EMD）、希尔伯特-黄变换（Hilbert-Huang Transform，HHT）算法等方法[7]。
1.3.2 基于油液的健康监测管理
磨损、断裂、腐蚀是滚动轴承的主要故障形式，在所有机械系统中，互相接触的金属零件的相对运动都会发生磨损。运动副的表面磨损，会产生磨屑颗粒，这些颗粒处于悬浮状态并存在于机械的润滑系统中。高速运转的轴承，不可避免会发生磨损，相关的颗粒会随着冷却油或润滑油进入到循环油液中。因此对于那些油冷却或者油润滑的轴承，润滑油中金属粒子的数量也是轴承健康状态的重要指示器。监测和分析运行过程中的油液中的金属粒子数量，就可以了解滚动轴承的运行状态，进而推断出轴承故障的类型和位置[14， 15]。
油中颗粒监测（Oil Debris Monitor，ODM）技术已经被应用于润滑油回路中金属颗粒的在线监测，其技术原理如下[16]：在滚动轴承的回油线路上，安装一个油中颗粒监测传感器，该传感器作为油液的流动通道的一部分，当金属颗粒通过传感器油路通道时，会产生一个非平稳振动信号，类似于脉冲信号，通过分析这个非平稳振动信号，可以获取颗粒特征。在实际监测环境中，振动噪声和环境噪声是不可避免的，这会干扰监测结果。因此在被噪声污染的传感信号中提取出颗粒特征信号，是油液中金属颗粒污染物监测的关键技术之一[17]。
另外一种普遍使用的油液诊断技术是铁谱监测技术[3， 5]。该技术的原理如下：通过定性观察和定量测试冷却或润滑油中的磨损磨粒在铁谱片上的分布，来判断轴承的运行状态和磨损机理。铁谱监测仪器价格低廉、采集到的信息比较丰富，但是依赖技术人员的经验，不能及时预报突发性故障。常用的铁谱监测仪器有分析式铁谱仪、直读式铁谱仪和旋转式铁谱仪。
综合运用红外光谱分析、油液理化分析、发射光谱技术、铁谱分析、