滾動軸承的狀態監測與性能退化評估

王寶祥,潘宏俠,楊 衛

(1.中北大學 機械與動力工程學院,山西太原 030051; 2.中北大學 儀器與電子學院,山西太原 030051)

?

滾動軸承的狀態監測與性能退化評估

王寶祥1，2,潘宏俠1,楊 衛2

(1.中北大學 機械與動力工程學院,山西太原 030051; 2.中北大學 儀器與電子學院,山西太原 030051)

提出一種基于規范變量分析的滾動軸承性能退化評估方法,用于解決軸承的健康監測與故障預防問題.首先，從健康狀態的軸承振動數據中提取有效特征指標,建立參考模型,確定安全閾值;其次，對未知變量的特征指標進行規范變量分析,得到狀態空間和殘差空間;然后，采用T2和Q統計來分別度量兩種空間中信息的變化量,用于反映滾動軸承的退化特性;最后,通過軸承加速壽命測試試驗驗證了該方法的有效性.與現有方法相比,該方法對滾動軸承的退化趨勢更加敏感.

規范變量分析; 退化評估; 狀態監測; 狀態空間; 殘差空間; 特征提取

滾動軸承是機械傳動過程中的重要部件,若它發生故障將直接導致整個機械系統癱瘓,甚至引發重大的安全事故.因此,軸承故障診斷一直是機械故障診斷領域的研究熱點.但是分析現有文獻[1-5],很多研究工作集中在故障的識別和分類.一方面,這類方法依靠故障樣本訓練分類器.而現實情況下故障的發生往往具有偶然性,故障樣本很難收集.另一方面,機械故障診斷的最終目的在于預防故障,防患于未然要比診斷故障的意義更重大.所以,尋找一種有效的健康監測和評估方法來確定軸承的退化特性就顯得尤其重要.

YU[6]用局部保持投影結合高斯混合模型來跟蹤滾動軸承的退化趨勢,證明了該方法在軸承退化特性監測過程中的有效性;PAN[7-8]提出一種基于小波包和支持向量數據描述(SVDD)的軸承性能退化評估方法,通過軸承加速壽命測試試驗分析了新特征指標的可靠性;胡姚剛等[9]研究了溫度特征指標在風電軸承性能退化過程中的敏感特性,建立了風電軸承性能退化評估模型.分析上述研究方法可以發現,基于閾值的監測方法在軸承退化特性研究中占有重要地位.該類方法以閾值為邊界,考察軸承退化趨勢是否突破閾值,若是則說明軸承運轉狀態出現異常.由此提出一種基于規范變量分析(CVA)的軸承退化監測方法,從健康狀態下的振動數據中提取特征指標,建立參考模型,以HotellingT2和Q統計量作為顯示器來監測退化過程.

后續部分安排如下:第一部分主要是敘述特征提取和退化監測方法;第二部分通過軸承加速壽命測試試驗,驗證基于規范變量分析(CVA)方法在軸承退化監測的有效性;第三部分總結全文.

1 理論與方法

1.1 特征提取

軸承的退化信息包含在振動信號之中,而現實中振動信號往往被噪音和冗余所污染.因此,常用的方法是從原始信號中提取一些特征指標來描述軸承當前所處的狀態.這些特征可分為時域特征、頻域特征或者是兩者的結合.實踐證明:多特征融合從多方面多角度刻畫軸承的退化趨勢,往往能夠更準確全面地反映出軸承的實際狀態.常采用的時域特征指標見表1.

表1中14個時域特征從不同的方面用來描述軸承的退化特性,這些特征對不同故障的敏感程度也是不同的.如均方根(RMS)描述振動信號的強度,對軸承的磨損較為敏感;疲勞剝落、劃痕故障可以根據峰值特征來評估.因此,上述時域特征可以滿足實際使用需求.

1.2 退化監測方法

然而,多特征融合帶來“維數災難”問題,即多特征指標若存在相關性,容易導致數據冗余,一方面提升了計算復雜度,另一方面降低了診斷結果的可靠性.規范變量分析(CVA)作為一種有效的降維方法,被廣泛用于工業過程的動態監測.其工作的基本原理是:首先使用設備健康狀況下采集的數據來建立參考模型,確定參考閾值;然后通過比較未知變量與參考模型的偏離程度來判別是否出現異常狀況.現假設有觀測向量xt,則在過去p個時刻的向量xp和在未來f個時刻的向量xf可表示為[10]

表1 時域特征指標

(1)

(2)

將數據歸一化:

(3)

(4)

將所得到的過去時刻的向量和未來時刻的向量分別組成過去矩陣和未來矩陣Xp和Xf:

(5)

(6)

式中：m為延遲向量的個數;m+p+f-1=N,N為數據點數.

進一步可求得矩陣的自相關矩陣和互相關矩陣,分別為

(7)

(8)

(9)

由此Hankel矩陣H可表示為

(10)

對式(10)進行奇異值分解,可得:

(11)

式中：∑為對角矩陣;U和V為正交矩陣.設λ1>λ2>λ3>…為∑中的奇異值,取∑中的前r個奇異值對應的特征向量成狀態空間,即保留正交矩陣V中前r個特征向量得到矩陣Vr,剩余成分組成殘差矩陣.于是可以得到規范變量和殘差的映射矩陣J和L:

(12)

(13)

J和L分別將原始數據映射到規范變量空間和殘差空間,可得

(14)

(15)

(16)

(17)

為了評估當前變量的狀態,采用基于核密度函數評估法來確定閾值.假設有未知變量x,其小于定值s的概率可表示為[11]

(18)

式中,p(x)為x的概率密度函數,可以通過核函數K來估計:

(19)

綜上所述,軸承的全壽命退化特性評估過程如圖1所示.

圖1 滾動軸承健康監測流程Fig.1 Scheme for rolling bearing health monitoring

2 試驗和結果

軸承的加速壽命測試試驗如圖2,3所示.轉軸上安裝有4個ZA-2115雙列軸承,轉速保持在2 000 r·min-1.之后對軸承施加26.69 kN的徑向載荷,測試該條件下的軸承運轉數據.試驗中每隔20 min采集一次振動信號,直到軸承發生故障.其中采樣頻率20 kHz,單位數據長度20 480.試驗細節見文獻[12].本次試驗選取第二組數據集,軸承加速壽命測試的結果是1號軸承發生外圈故障,這一過程共產生984組試驗數據子集.現在就以1號軸承為研究對象,計算軸承2,3,4的時域特征指標(見表1).

圖2 軸承的全壽命測試試驗Fig.2 Bearing run-to-failure experiments

對軸承2,3,4的時域特征指標進行規范變量分析(CVA),建立滾動軸承的健康模型,包括狀態模型和殘差模型.這里,保留規范變量數目r=3.再對軸承1進行時域特征提取,并進行規范變量分析,得到軸承1的狀態空間和殘差空間,并通過HotellingT2和Q統計反映出軸承的退化趨勢.試驗結果如圖4所示.

圖3 試驗示意圖Fig 3 Schematic figure of the experimental setup

圖4 軸承1退化趨勢監測Fig.4 Degradation trend monitoring for Bearing 1

HotellingT2和Q(SPE)是兩種互補的度量方式,本試驗以T2統計的結果為主,以Q統計的結果作為補充.從圖4可以看出,兩種統計都反映出滾動軸承在前600個時間單位內處于正常運轉狀態,600個時間單位后出現波動并呈上升趨勢.T2統計顯示在691個時間單位處,滾動軸承開始出現退化趨勢,并最終在984個時間單位處發生外圈故障;而Q統計顯示滾動軸承的退化趨勢始于637個時間單位處,最終發生外圈故障.由試驗結果可以發現,本方法可以有效反映出滾動軸承的退化趨勢,并可以監測到滾動軸承早期較微弱的退化特性.

為了證明方法的可靠性,現將本方法與現有研究進行比較.文獻[12]提出一種局部與非局部保留投影法用于滾動軸承性能退化評估.該方法使用的試驗數據(如圖5所示)與本次試驗相同,因此具有可比性.從圖中可以看出,滾動軸承在運行至約870個時間單位后開始出現退化趨勢,之后軸承的健康狀態急劇惡化,并最終在984個時間單位處出現外圈故障.這說明該方法可以有效地評估軸承退化特性.然而,相對于文獻[12],本方法可以有效地檢測出軸承早期微弱的退化特征,使得在軸承在完全失效前有足夠的時間進行檢修,以便排除故障.

圖5 軸承1的性能退化評估[12]Fig.5 Performance degradation assessment for Bearing 1 [12]

3 結論

將規范變量分析方法成功應用到滾動軸承性能退化評估中,證明了本方法在軸承健康監測過程中的有效性.通過與現有方法的比較,發現基于規范變量分析的評估方法靈敏度較高,可以監測到軸承早期的退化特性,這對于設備的及時維護與檢修都具有重要的現實意義.后續工作會集中在多特征融合和敏感特征提取方面.

[1] LIU H,HAN M.A fault diagnosis method based on local mean decomposition and multi-scale entropy for roller bearings[J].Mechanism and Machine Theory,2014,75:67-78 .

[2] LI Y,XU M,WANG R,et al.A fault diagnosis scheme for rolling bearing based on local mean decomposition and improved multiscale fuzzy entropy[J].Journal of Sound and Vibration,2016,360:277-299

[3] KANG M,KIM J M.Singular value decomposition based feature extraction approaches for classifying faults of induction motors[J].Mechanical Systems and Signal Processing,2013,41:348-356

[4] 孟宗,胡猛,谷偉明,等.基于LMD多尺度熵和概率神經網絡的滾動軸承故障診斷方法[J].中國機械工程，2016,27:433-437.

MENG Z,HU M,GU W M,et al.Rolling bearing fault diagnosis method based on LMD multi-scale entropy and probabilistic neural network[J].China Mechanical Engineering,2016,27(4):433-437.

[5] 魏秀業,潘宏俠.基于粒子群優化的設備狀態分類器設計[J].太原理工大學學報,2006,37(6):688-690.

WEI X Y,PAN H X.State classifier design of the equipment based on particle swarm optimization[J].Journal of Taiyuan University of Technology，2006,37(6):688-690

[6] YU J.Bearing performance degradation assessment using locality preserving projections and Gaussian mixture models[J].Mechanical Systems and Signal Processing,2011,25:2573-2588

[7] 潘玉娜,陳進.小波包-支持向量數據描述在軸承性能退化評估中的應用研究[J].振動與沖擊,2009,28(4):164-167.

PAN Y N,CHEN J.Wavelet package-support vector data description applied in bearing performance degradation assessment[J].Journal of Vibration and Shock,2009,28(4):164-167

[8] PAN Y,CHEN J,GUO L.Robust bearing performance degradation assessment method based on improved wavelet packet-support vector data description[J].Mechanical Systems and Signal Processing,2009,23:669- 681.

[9] 胡姚剛,李輝,廖興林,等.風電軸承性能退化建模及其實時剩余壽命預測[J].中國電機工程學報,2016,36(6):1643-1649.

HU Y G,LI H,LIAO X L,et al.Performance degradation model and prediction method of real-time remaining life for wind turbine bearings[J].Proceedings of the CSEE,2016,36(6):1643-1649.

[10] 李志農,張芬,肖堯先.基于CVA-ICA的機械故障源動態盲分離方法[J].機械工程學報,2015,51(12):24-29.

LI Z N,ZHANG F,XIAO Y X.Dynamic blind separation of mechanical fault sources based on canonical variate analysis and independent component analysis[J].Journal of Mechanical Engineering,2015,51(12):24-29.

[11] ODIOWEI P E,CAO Y.Nonlinear dynamic process monitoring using canonical variate analysis and kernel density estimations[J].IEEE Transactions on Industrial Informatics,2010,6(1):36-45.

[12] YU J.Local and nonlocal preserving projection for bearing defect classification and performance assessment[J].IEEE Transactions on Industrial Informatics,2012,59(5):2363-2376.

Condition monitoring and performance degradation assessment on rolling bearings

WANG Baoxiang1，2,PAN Hongxia1,YANG Wei2

(1.School of Mechanical and Power Engineering,North University of China,Taiyuan 030051,Shanxi,China;2.School of Instrument and Electronics, North University of China,Taiyuan 030051,Shanxi,China )

To resolve the health monitoring and fault prevention problems, the performance degradation assessment is proposed based on canonical variate analysis (CVA) method for rolling bearings. Firstly, by extracting the useful feature indices from healthy vibration data, the reference model and safety threshold are respectively obtained. Then, the CVA is applied for feature indices of unknown variables to produce the state and residual spaces. Next,T2andQmetrics are employed to measure changes of information in the bespoke spaces to reflect degradation characteristics of rolling bearings. Finally, the effectiveness of the proposed method is demonstrated by accelerated bearing life testing. Therein, this approach is more sensitive to degradation trends of rolling bearings than existing works.

canonical variate analysis; degradation assessment; condition monitoring; state space; residual space; feature extraction

國家自然科學基金資助項目(51175480)

王寶祥(1990-),男,博士研究生.E-mail:wangbx1990@yahoo.com

TH 17

A

1672-5581(2017)01-0072-05