基于Peakvue技術的滾動軸承故障診斷①

張 寶, 劉 波, 張鄭華, 楊 濤

?

基于Peakvue技術的滾動軸承故障診斷①

張 寶1, 劉 波2, 張鄭華1, 楊 濤2

1(四川中煙工業有限責任公司綿陽卷煙廠, 綿陽621000)2(西南科技大學信息工程學院, 綿陽621010)

滾動軸承作為旋轉機械的關鍵部件, 其運行狀態決定設備以及整個系統的性能. 滾動軸承出現故障時會產生高頻的應力波信號, 而Peakvue技術能夠有效的檢測應力波, 運用一種基于Peakvue技術的滾動軸承故障診斷方法. 該方法采用加速度傳感器采集滾動軸承振動信號, 利用高通濾波器濾除加速度傳感器輸出信號中不必要的低頻部分, 按照一定的時間間隔對高頻信號和應力波信號進行峰值提取, 并對提取的峰值信號進行包絡檢波處理分析故障類型. 應用西儲大學軸承數據集進行驗證, 結果表明該方法能準確有效地檢測出滾動軸承的故障類型.

滾動軸承; 故障診斷; Peakvue; 應力波; 加速度傳感器

滾動軸承在工業系統中應用廣泛, 作為旋轉機械的關鍵部件, 其運行狀態決定著整個系統的性能, 據不完全統計, 導致旋轉機械出現故障的原因約有30%是滾動軸承出現故障, 故滾動軸承狀態監測與故障診斷都成為研究熱點[1]. 滾動軸承的各個單元故障后相互影響較大, 使其單元故障特征呈現多樣性以及故障原因不唯一, 而且滾動軸承早期故障的異常信號極其微弱, 很難被及時感知和檢測[2]. 采用軸承故障診斷技術, 分析定位軸承故障單元, 對找出故障原因至關重要[3].

振動分析、溫度、油樣分析等方法都可用來進行滾動軸承的故障診斷, 但是最為實用、有效的是振動分析方法[4]. 目前利用滾動軸承運行期間的振動信號作為原始故障信號, 運用在滾動軸承故障診斷中的方法有很多, 如基于峭度系數、有效值、峰值因子等的時域方法[5-7], 基于小波[8,9]、HMM[10]等時頻域方法, 基于EMD[11,12]、SVD[13]、LMD[14]等頻域方法. 振動信號具有非平穩、非線性的特征且早期的故障信號非常微弱, 采用以上這些方法或多說少都存在一些不足, 時域方法處理早期微弱的故障信號就存在很大的缺陷, 信號幅值太小會導致沒有診斷結果或診斷結果不明顯; 如果采用小波方法, 其不足在于一旦選定小波基, 在隨后的整個分析過程中便無法對其進行更改, 而且不同的基函數也會對分析結果產生較大的影響; 如果采用EMD方法, 其存在兩個嚴重的缺陷: 模態混疊和端點效應.

針對以上方法的不足, 本文選用Peakvue技術. 由于加速度傳感器具有頻率范圍寬、安裝條件受現場環境的影響小、內部無磨損部件、對高頻信號敏感等優點, Peakvue技術選用加速度傳感器測量滾動軸承的振動信號. 滾動軸承的早期故障振動信號具有高頻低幅的特點, 其隱藏在振動頻譜底層的背景能量中不易被發現, Peakvue(峰值檢測)技術不僅可以分離出這些低能量的周期性損壞信號, 檢測出滾動軸承的早期故障, 而且還可以準確預測出故障的嚴重程度[15].

1　Peakvue方法工作原理

Peakvue技術是近年來在國外發展起來的一項全新的信號采集、處理與診斷技術, 由艾默生(Emerson)公司針對齒輪和滾動軸承的故障診斷而開發的專利技術, 是一種對給定時間間隔里時域波形峰值進行捕捉的振動信號分析方法. 當金屬與金屬發生碰撞時, 會產生應力波. 軸承早期的疲勞剝落、齒輪缺陷以及摩擦磨損和沖擊等都會產生應力波, Peakvue則可以采集和檢測這些短暫應力波, 提取應力波的峰值和其出現的頻率, 并轉換成頻譜進行故障分析[16].

(a)普通振動波形

(b)Peakvue采樣波形

圖1普通振動波形與Peakvue采樣波形

為了更好的了解Peakvue技術的工作原理, 需要先了解應力波. 應力波在機械出現金屬與金屬的沖擊、摩擦、應力裂痕等現象時產生, 是一種相當短暫的連續脈沖信號(10-6~10-3s), 即其頻率很高. 齒輪箱和滾動軸承發生故障便會出現這種沖擊、摩擦或裂痕現象.

Peakvue方法分析所需要的信號由安裝于軸承座上的加速度傳感器采集后經高通濾波器濾波后得到, 高通濾波器的截止頻率選擇1kHz或2kHz的, 其主要作用是使信號集中于沖擊信號所在頻段、分離沖擊信號和普通振動信號, 這種分析方法的核心要點在于峰值(Peakvue), 而峰值則是原始振動信號中一段選定時間間隔中的值. 一般情況下, 這個時間間隔的選取是根據分析頻率帶寬而定的, 在大多數采集器或分析儀中, 常將采樣時間間隔取為2.56的倒數,為所分析信號的最大頻率.

Peakvue采樣波形與普通振動波形如圖1所示, 圖1(a)的時域波形中, 等間隔的垂直直線間的值代表對原始信號進行二次采樣的時間間隔; 圖1(b)的信號波形由圖1(a)中的信號構成, 每個恒定值對應于圖1(a)中同一時間間隔中的信號峰值. 圖1(a)中每次增加的時間常量是峰值從最初時刻到經歷相同時間間隔的增量, 改時間間隔增量為上述的2.56.

即使應力波沖擊信號的持續時間很短, 經過Peakvue采樣的波形仍可以很好的保持其幅值和頻率. 然后對Peakvue采樣信號進行頻譜分析, 提取故障頻率, 進行故障分析.

2　基于Peakvue技術的滾動軸承故障診斷

滾動軸承包含內圈、保持架、外圈和滾動體. 滾動軸承中任何一個元件出現損傷都會導致與其它元件發生撞擊, 產生應力波. 隨著時間的推移, 這種撞擊會日益嚴重, 其他元件也會一個接一個出現故障. 在滾動軸承各元件中, 滾動體的應力最大, 其次是內圈、外圈和保持架; 保持架的應力變化最為劇烈, 受到的沖擊力也最大, 這可能就是導致其故障率較高的主要原因[17].

利用Peakvue技術可以發現早期的滾動軸承故障, 并監控故障的發展情況, 及時更換損壞的滾動滾動軸承, 從而避免出現嚴重的設備故障. 基于Peakvue技術的滾動軸承故障診斷實現過程如圖2所示.

圖2 基于Peakvue技術的滾動軸承故障診斷過程

(1) 元件碰撞

滾動軸承處于旋轉狀態, 當軸承內有元件出現損傷時, 勢必會導致損傷的元件與其它元件發生摩擦碰撞, 進而會損傷其他元件.

(2) 軸承振動

旋轉軸承內部元件之間發生碰撞, 隨著撞擊程度的不同, 軸承會產生不同幅度的振動.

(3) 數據采集

旋轉軸承振動產生的應力波是一種高頻信號, 選則具有頻率范圍寬、對高頻信號敏感等特點的加速度傳感器捕捉這種信號比較合適. 考慮到靈敏度和抗干擾等因素, 本文選用ICP壓電式加速度傳感器, 較傳統的加速度傳感器相比, 它的特點在于將電荷放大器與傳統的壓電加速度傳感器集于一體, 具有精度高、漂移小、噪音低、可有效防塵、防潮等優點, 其輸出可以配長電纜而不會影響測量精度.

加速度傳感器一般用螺紋聯接在軸承座或軸承箱上, 其固有頻率通常在15kHz以上, 比軸承外圈的共振頻率更高, 因此不易產生共振或共振信號不明顯, 也不易受機械設備中其它非軸承損傷因素的影響而引起共振[18].

針對ICP型輸出的壓電式加速度傳感器, 需選用具有ICP輸入接口的數據采集器. 一般情況下, 一臺設備都需要同時采集多個軸承的故障數據, 這就需要選用具有多個ICP通道且可實現同步采集的數據采集器. 16位A/D通常可以滿足大部分應用的分辨率要求; 采樣頻率對于不同的需求可能有很大差別, 不過選擇100kps以上的數據采集器應該可以適應多數的應用需求. 目前以太網的應用非常廣泛, 本文選用以太網接口作為通信接口, 方便數據傳輸與獲取.

(4) 高通濾波

滾動軸承的各個元件中, 內圈的故障頻率最高, 即, 所以高通濾波器的下限頻率一般選取3~4倍的內圈故障頻率, 不同應用可以適當進行調整. 對于故障頻率不明確的情況也可以根據實際情況選擇1kHz或2kHz的高通濾波器, 目的是為了保證濾除不必要的低頻信號.

(5) 峰值提取

選擇合適的采樣時間間隔從濾波后的信號中提取峰值, 用峰值代替間隔周期中的值, 采樣周期一般取2.56的倒數, 當然也可以適當上下調整, 主要目的是為了保證在最高的故障頻率周圍也能得到足夠的采樣數據, 方便后續的分析計算.

(6) 頻域分析

已有的頻域分析是直接對上述峰值信號進行處理, 其數據量和二次采樣之前相同, 本文的處理是用一個數據代替一個時間段中的多個數據, 從而減少數據量以提高運算速度. 對二次采樣獲得的峰值信號使用Hilbert變換[19]進行包絡檢波處理, 希爾伯特變換器的頻率響應為:

因此,

()的希爾伯特變換為:

然后對()進行FFT變換獲得Peakvue頻域數據(), 最后根據Peakvue頻譜分析軸承故障.

3　滾動軸承振動數據的分析與驗證

為驗證Peakvue技術在滾動軸承故障診斷中的有效性, 選用美國西儲大學的軸承故障數據集[20,21], 其來源于如圖3所示的實驗平臺. 該實驗平臺包括一個功率計(右側)、一個轉矩傳感器(中間)、一個2馬力的電機(左側)和一個電子控制設備(沒有顯示), 選取支持電機軸的軸承作為測試對象. 在軸承上運用電火花加工技術布置了單點故障, 故障直徑包括0.007、0.014、0.021、0.028、0.040英寸. 其中, 前三種故障直徑的軸承使用的是SKF軸承, 后兩種故障直徑的軸承使用與之等效的NTN軸承. 試驗中采用加速度傳感器采集振動信號, 加速度傳感器安裝在電機殼體的驅動端和風扇端的12點鐘位置, 傳感器的輸出采用DAT記錄器進行采集處理.

驗證數據集選用電機驅動端SKF軸承的故障數據, 軸承型號為6205-2RS JEM, 采樣頻率為12kps, 主要選用兩類故障數據, 一類故障數據對應電機轉速為1722r/min和軸承內圈、外圈的故障直徑均為0.007英寸, 另一類故障數據對應電機轉速為1752r/min和軸承內圈、外圈的故障直徑均為0.021英寸兩種, 軸承的外圈、內圈、滾動體和保持架的特征頻率[22]可根據以下公式計算:

其中,為滾珠個數,為滾動體直徑,為軸承節徑,為滾動體接觸角,為軸承轉速(轉/分鐘). 驅動端軸承的滾珠數為9, 軸承節徑為39.04mm, 滾珠直徑為7.94mm, 接觸角為0度, 其特征頻率如表1所示.

圖3 美國西儲大學故障診斷實驗平臺

表1 軸承特征頻率

(a)內圏 (b)外圈

(a)內圏 (b)外圈

轉速1722r/min、故障直徑0.07英寸和轉速1752r/min、故障直徑0.021英寸兩大類故障集的內外圈原始時域波形和Peakvue時域波形如圖4和圖5所示. 高通濾波器的截止頻率取4倍的內圈故障頻率值左右, 取值為600Hz, 二次采樣時間間隔取值為2.5ms. Peakvue波形依然保持有原始應力波脈沖信號的幅值和頻率.

圖6 基于Peakvue的滾動軸承外圈故障頻譜圖1

圖7 基于Peakvue的滾動軸承內圈故障頻譜圖1

轉速為1722r/min, 故障直徑為0.007英寸的滾動軸承Peakvue頻譜圖如圖6和圖7所示. 轉速為1752r/min, 故障直徑為0.021英寸滾動軸承Peakvue頻譜圖如圖8-9所示. 在圖6中, 可以明顯地看到外圈故障特征頻率的1至6倍頻, 分別為103.2Hz、206.4 Hz、310.4 Hz、413.6Hz、516.8Hz、620Hz, 其中1至3倍頻的幅值較大; 在圖7中, 可清晰地檢測出1至4倍內圈故障特征頻率, 分別為155.3 Hz、309.1 Hz、464.4 Hz、619.6 Hz, 其中1倍和2倍頻的振幅較大, 說明此時檢測出滾動軸承的內圈出現故障; 在圖8中有明顯的外圈故障頻率的1-3倍頻, 分別為104.1Hz、209.5Hz、313.5Hz, 其中1、2倍頻較大; 在圖9中有內圈故障頻率的1-4倍頻出現, 分別為158.2 Hz、314.9 Hz、473.1 Hz、631.3 Hz. 滾動軸承中, 一個部件出現故障后, 隨著時間的推移, 必將引起其他部件出現故障, 在圖6-圖9中僅有單個部件的特征頻率及其倍頻的幅值較高, 其他部件的特征頻率沒有或幅值很小, 表明滾動軸承處于早期故障狀態, 故運用Peakvue技術分析由加速度傳感器采集的滾動軸承振動數據, 可以很方便準確地檢測出軸承早期的不同故障, 有利于滾動軸承狀態監測與故障診斷的進一步研究.

圖8 基于Peakvue的滾動軸承外圈故障頻譜圖2

圖9 基于Peakvue的滾動軸承內圈故障頻譜圖2

4 結論

金屬與金屬之間的碰撞會產生應力波, 其具有高頻特性, 利用加速度傳感器對高頻信號的敏感性, 運用Peakvue技術可以很清晰、準確、及時地檢測出滾動軸承早期的微弱故障, 有利于滾動軸承狀態監測與故障診斷的進一步發展, 同時也促進旋轉機械健康管理技術的發展. 將Peakvue技術應用到企業設備的滾動軸承故障診斷中可及時通知工作人員進行設備維修或更換軸承, 有效提高設備運行可靠性, 提升經濟效益, 可進一步提升企業設備管理水平, 有廣泛的應用前景.

1 谷泉,陳長征,周昊,張士偉.滾動軸承故障診斷新方法研究.機械設計與制造,2013,(9):117–119.

2馮輔周,饒國強,司愛威.基于排列熵和神經網絡的滾動軸承異常檢測與診斷.噪聲與振動控制,2013,33(3):2372–2377.

3 付云驍,賈利民,季常煦,姚德臣,李文球.基于多維振動特征的滾動軸承故障診斷方法.噪聲與振動,2014,34(3): 165–169.

4 劉暢,伍星,毛劍琳,劉韜.基于改進MOD 學習的滾動軸承振動信號稀疏表示.計算機工程與應用,2015,(5):1–4.

5 陳珊珊.時域分析技術在機械設備故障診斷中的應用.機械傳動,2007,31(3):79–83.

6 李鋼燕.滾動軸承振動監測診斷及趨勢分析.礦業工程,2008,6(3):37–38.

7 萬書亭,吳美玲.基于時域參數趨勢分析的滾動軸承故障診斷.機械工程與自動化,2010,(3):108–111.

8 楊學存.基于小波頻譜分析的滾動軸承故障診斷研究.煤礦機械,2013,34(1):289–291.

9 El Morsy M. Application of optimal morlet wavelet filter for bearing fault diagnosis. SAE International Journal of Passenger Cars Mechanical Systems, 2015, 8(3): 817–824.

10 王燦,王嘉樂,會強.Hilbert-Huang變換在機車滾動軸承故障診斷中的應用.振動、測試與診斷,2013,(33):184–188.

11 朱瑜,王殿,王海洋.基于EMD和信息熵的滾動軸承故障診斷.軸承,2012,(6):50–53.

12 Ali JB, NFnaiech L, BChebel-Morello FF. Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals. Applied Acoustics, 2015, 89: 16–27.

13 陳恩利,張璽,申永軍,曹軒銘.基于SVD 降噪和盲信號分離的滾動軸承故障診斷.振動與沖擊,2012,31(23):185– 190.

14 楊宇,王歡歡,程軍圣,鄒憲軍.基于ＬＭＤ的包絡譜特征值在滾動軸承故障診斷中的應用.航空動力學報,2013,27(5): 1153–1158.

15 史嘯曦,景東華.PeakVue測振新技術的應用及評價.中國設備工程,2013,(8):7–9.

16 陸晨.Peakvue技術在電機軸承故障診斷中的應用.設備管理與維修,2012,(3):53–55.

17 高春良,王成棟,苗強.滾動軸承動力學仿真與分析.機械設計與制造,2011,(2):193–195.

18 徐英博,韓東方,朱善安.基于Peakvue技術的軸承故障檢測.傳感器與微系統,2010,(7):115–117.

19 Xiang J, Zhong Y, Gao H. Rolling element bearing fault detection using PPCA and spectral kurtosis. Measurement, 2015, 75: 180–191.

20 Smith WA, Randall RB. Rolling element bearing diagnostics using the case Western Reserve University data: A benchmark study. Mechanical Systems and Signal Processing, 2015, 64(65): 100–131.

21 Zhu K, Song X, Xue D. A roller bearing fault diagnosis method based on hierarchical entropy and support vector machine with particle swarm optimization algorithm. Measurement, 2014, 47: 669–675.

22 Yu J. Local and nonlocal preserving projection for bearing defect classification and performance assessment. IEEE Trans. on Industrial Electronics, 2012, 59(5): 2363–2376.

Fault Diagnosis of Rolling Bearings Using Peakvue Technique

ZHANG Bao1, LIU Bo2, ZHANG Zheng-Hua1, YANG Tao2

1(Mianyang Cigarette Factory, China Tobacco Sichuan Industrial Co. Ltd., Mianyang 621000, China)2(School of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China)

Rolling bearings are key components in rotating machinery and its running status has an important effect on the performance of the equipment and even the entire system. Rolling bearing failure produces a high frequency stress wave signal, but Peakvue technique could detect effectively, so a fault diagnosis of rolling bearings using Peakvue technique can be used. Acceleration sensor is used to collect vibration signal of rolling bearings, and the high-pass filter is used to filter unwanted low frequency signal from the output signal of acceleration sensor, and peak extraction is used on high frequency signal and stress wave signal according to a certain time interval, and envelope detection is used on peak signal to analyze the fault type. Datasets from the Case Western Reserve University was used for validation, and the results indicate that this method can accurately detect the fault type of rolling bearings.

rolling bearing; fault diagnosis; Peakvue; stress wave; acceleration sensor

川渝中煙四川煙草工業有限責任公司科技項目(川渝煙工技研[2015]62號)

2016-07-31;

2016-08-31

[10.15888/j.cnki.csa.005705]