滚动轴承故障诊断方法

摘要

　　滚动轴承作为机械设备的主要传动部件，越发地得到广大研究者与企业的重视。然而受到自身特殊内部结构与外在苛刻工作环境的双重负面影响，滚动轴承极易出现故障。作为承受载荷并传递运动的滚动轴承一旦发生故障将造成巨大经济损失，若能在轴承故障的萌芽阶段及时对机械设备进行检测、维修、更换便可将灾难降到最低。为此，本文展开了滚动轴承故障检测研究。轴承工作时，产生的振动信号往往包含大量外界噪声，轻微的故障冲击成分通常被淹没在内，如何从冗杂的信号中消除干扰噪声突出故障特征是诊断轴承的关键。本文利用能量算子解调对滚动轴承故障进行诊断，主要内容如下：

　　（1）介绍了广义检波滤波和希尔伯特解调，并用可靠数据分别验证其解调效果，结果表明虽然二者具有一定价值但都存在一定缺陷，前者解调速度慢且存在频率混叠，后者极易出现信号调制现象与端点效应。

　　（2）针对以上不足，将能量算子解调引入轴承故障诊断中，对轮对轴承声音信号进行处理，并与希尔伯特诊断结果形成对比，结果表明能量算子诊断更具优越性。能量算子致命的缺点是对噪声敏感，对低信噪比的振动信号诊断效果不佳，为此本文提出了MED-Teager 能量算子和 SK-Teager 能量算子两种方法，先分别用最小熵解卷积与谱峭度对噪声信号进行滤波处理，再对滤波后的信号进行能量算子解调进一步增强故障特征，最后对其做包络谱分析，实验数据表明提出的方法能有效诊断轴承故障。

　　（3）虽然 MED 和 SK 可以消除大部分噪声，但仍有部分带内噪声残留。针对该问题，本文利用 1.5 维 Teager 能量谱抗高斯噪声的优异性能和频率加权能量算子的良好去噪特性，提出 1.5 维 Teager 能量谱结合小波包分解和频率加权能量算子融合 1.5 维谱这两种轴承故障诊断方法，通过仿真信号和实测信号证明了这两种方法在低信噪比信号中能够准确提取出故障特征频率成分，验证了所提方法的有效性和实用性。

　　关键词：滚动轴承，特征增强，能量算子，1.5 维 Teager 能量谱，频率加权能量算子

ABSTRACT

　　As the main transmission parts of mechanical equipment, rolling bearings have got considerable attention from researchers and enterprises. However, influenced by many factors, rolling bearings are prone to failure. Rolling bearings can bear load and transfer movement, once it damaged, it will result in huge economic losses. While the disaster can be minimized if the mechanical equipment be detected and repaired in the early stage. To this end, the bearing fault detection research has been proposed in this paper. Generally, the vibration signal generated by the bearing contains a lot of external noise, and the slight fault impact component is submerged. How to eliminate the interference noise from the complicated signal so as to highlight the fault feature is the key to diagnosing the bearing. In this paper, energy operator demodulation is used to diagnose the fault, the main contents are as follows:

　　(1) First of all, the generalized detection filter and Hilbert demodulation are introduced, and their demodulation effects are verified respectively by reliable data. The results show that although both have certain value, the former has a very slow demodulation speed and frequency aliasing , the latter is prone to signal modulation and end effect .

　　(2) To solve the above problems, Teager energy operator demodulation is used to handle the wheel bearing sound signal and compared it with Hilbert. The results show that the energy operator demodulation is more superior than Hilbert demodulation. However, the fatal flaw of energy operator is sensitive to noise, it is of great difficulty for it to diagnose low signal-to-noise ratio vibration signal. In this case, the diagnostic methods of MED(minimal entropy decovolution)-Teager energy operator and SK(spectral kurtosis)-Teager energy operator are proposed one after another. Firstly, the noise signal is filtered by MED and SK respectively, then the signal is processed by energy operator for a better feature enhancement.The effectiveness of the proposed methods has been proved by experimental data.

　　(3) Although MED and SK can eliminate most of the noise, some in-band noise remains.In this paper, 1.5-dimensional Teager energy spectrum and the frequency-weighted energy operator are implied to solve the problem. Ultimately, proposing two diagnostic methods, they are 1.5-dimensional Teager energy spectrum combined with wavelet packet decomposition and frequency-weighted energy operator fused with 1.5-dimensional spectrum. The validity and practicability of the above two methods are verified by a variety of data.

　　Key Words: rolling bearing, feature enhancement, energy operator, 1.5-dimensional Teager energy spectrum, frequency-weighted energy operator

　　本学位论文来源于国家自然科学基金地区科学基金项目―基于载荷反演的齿轮箱工况不敏感状态退化评估理论与技术‖(项目编号:51665013)和江西省自然科学基金项目―动态服役工况下齿轮箱性能退化评估方法与技术研究‖(项目编号 20171BAB206028)。20 世纪以来，随着科技创新日新月异、社会经济蓬勃发展，为满足当今社会的生成需求，国内外机械设备逐渐朝着大型化、复杂化、精密化、智能化和高效化的方向迅猛发展[1]。高速列车组、大型盾构机、千万瓦发电机、大型船舰、汽车起重机、航空航天交通工具等已成为当今社会司空见惯的设备。然而，随着机械设备的智能化发展与进步，其工作环境也愈加极端苛刻。与此同时，设备零部件的复杂程度也随之增高，彼此间的配合程度越发紧密，在工作过程中相辅相成，一旦某核心机械零部件发生故障将会引发一连串不良反应，导致运行过程中的整台机器罢工甚至是整条生产线路出现损坏，影响极其恶劣，轻则给企业带来巨大经济损失，重则危及相关工作人员的生命安全。轴承和齿轮作为旋转机械中使用最广泛的零部件，它们的运行状态的优劣在很大程度上决定着设备的整体性能。若能对机械设备合理使用并定期维修保养，增强设备运行的有效性和安全可靠性，对提高生产效率、提升现代化企业在社会上的竞争力起到积极作用。滚动轴承故障诊断即对滚动轴承的运行状态进行实时监测、分析、处理，将设备故障扼杀于早期萌芽阶段，减少后期造成的不必要的损失，防范于未然。

　　近些年来，国内外因机械设备故障造成的人员伤亡事件此起彼伏。1984 年 12 月 3日，印度博帕尔市某一农药厂因机械设备管理不当造成剧毒泄漏[2]，导致 57.5 万人死亡，20 万人永久伤残，成为史上空前惨重的化工灾难；1998 年 6 月，德国 ICE884 次高速列车在由慕尼黑驶向汉堡的途中因轮箍破裂出轨撞上陆桥导致列车脱轨，直接造成 100 余人死亡，经济损失惨重；2003 年 2 月 1 日，美国宇航局第一架飞机―哥伦比亚‖号航班在完成科学探索后在返程中由于机体内部设备产生缺陷直接导致飞机解体，7 名宇航员无一幸免；2014 年 6 月，韩国―岁月号‖轮船在马尼湾真岛航行时，因船舱内部零部件损坏导致左舷倾斜 90 度，造成沉船事件，445 名游客全部遇难。类似的灾难性事故数不胜数。

　　以上种种事迹表明，及时对设备进行检测维修，对保证重大设备的安全可靠运行具有重大意义，这也是国家政府和广大研究者一直以来关注的话题。

　　当今社会已逐渐朝着科技化、智能化、现代化的趋势飞速发展，其中存在的竞争也日益激烈。大到国与国之间经济发展、科研水平、人才培养的竞争，小到企业部门某项技术个体之间的较量权衡，无一不反映着科技创新和奋发向上的重要性。伴随着电子设备计算机行业的问世与发展，我国工业化水平徐徐上升，尤其对化工、石矿、汽轮、电机、钢铁领域起了很好的推动促进作用。机械设备作为发展工业化水平的核心器械，对它们的要求也不同往日：智能自动一体、大型复杂、集成高效的机械设备在各个企业相关领域早已司空见惯，旨在保证产品质量的前提下提高工作效率。然而，面临高产、高压、高效的生产压力和恶劣复杂的工作环境，机械设备极易发生局部甚至整体故障。作为大型批量生产设备，一旦发生故障将会影响整个生产线的正常运行，给企业造成巨大经济损失，扰乱百姓正常生活，甚至危及人生安全，后果惨重。

　　滚动轴承由于摩擦阻力小、结构简单、价格低廉、润滑性能好等优点而被广泛应用于旋转机械。作为机械设备微小零部件之一，它具有承受载荷、传递动力和力矩的功能，在机械设备中起着举足轻重的作用，但也是最容易损坏的零件。据相关数据统计，机械故障的 70%由运行振动引起，而滚动轴承故障在振动故障中的占比高达 30%[3]，比例之高的原因一方面与轴承自身内部结构有关，另一方面是因为轴承长期处于高压重载、热效应、磨损等不确定性工作环境中。如何实时了解轴承运行状态的好坏并及时改善是广大国内外学者一直以来研究的热点和重点话题。而如今机械设备精度高、结构复杂，通过拆机对机械设备进行检修不仅工作量大、程序复杂、耗时耗力、效率低，而且有进一步损坏机器的风险，依照人工经验进行检修判别显得愈加艰难，不切实际。这种情况受到国内外学者和政府机构的重视，故障诊断技术从此展开，并得到迅猛发展。因此，为了减少滚动轴承故障给生产、设备维修带来不必要的经济损失，对滚动轴承运行状态进行状态监测显得尤为重要。

　　机械故障诊断即在保证设备正常运行的条件下，应用采集系统对机械设备的运行状态进行实时检测并采集数据，对早期隐患故障进行预测，及时发现故障并对数据进行分析，确定故障出现的部位及原因，最后对其寿命进行评估。故障诊断在一定程度上可提前预知即将发生的机械故障，从而避免故障的发生，这对保证整台设备安全可靠地运行、降低事故发生率、减少经济损失以及提升机械设备寿命起到积极作用。

　　机械故障诊断一直以来都是学术界关注的焦点。早期对机械设备故障的判别主要通过人体感官系统，经验十足的工匠采用―一看二听三摸‖三个步骤来识别故障与否。观察外表是否破损，听旋转机械中的轴承或转子的运行时是否发出异音产生异常震响，触摸零部件是否磨损或产生缺陷。然而，人工检测受主观因素的影响较大、误差大、效率低、精确度小、耗时耗力。为此，人们致力于研究一套智能化系统来对机械故障进行诊断。

　　该智能化技术最早可追溯到 20 世纪 60 年代，由美国开创了机械故障诊断研究的里程碑。1961 年初，随着阿波罗计划的展开，美国陆陆续续出现了众多专业的新设备用于机械设备故障诊断，面临种种故障的严峻挑战，兴趣小组成员对此展开了积极地研究探索。6 年后，为了高效、可靠、系统地对故障机理和测试技术进行深入探究，在美国航宇局（National Aeronautics and Space Administration，NASA）的支持下，美国成立了机械故障预防小组（Machinery FaultPrevention Group, MFPG）。在国家的倡导与带领下，越来越多学术界人才、高校科研所、企业科技人员纷纷加入该组织共同探索新奥秘。未许，Bently 公司成功研制出一套完整的 Trendmaster2000 系统用于旋转机械的故障检测[4]，对于传感器的研究也不落后；Bechtel 电力公司则致力于钻研火电厂机械技术，取得惊人的成果。此后机械故障诊断技术波及到了美国的军事、航空、国防、企业等各个领域，逐渐走向成熟。

　　英国对机械故障的诊断始于 20 世纪 60 年代末，由 R.A.Collacott为首创建的机械保健中心标志这该项技术的正式开始[5]，对后期摩擦学、力学、振动、火车和发动机等故障诊断的研究起到了推动促进作用，全身心的投入、大胆猜想、脚踏实地的钻研使得短时间内英国的该项技术遥遥领先于其他国家的水平。20 世纪 70 年代初，日本也开始跻身于机械故障诊断行列，并借鉴别国的先进技术，取长补短。1971年日本成立了机械设备协会对机械故障进行维修诊断，意识到自身条件的不足，日本每年定期派遣资深学者赴欧美国家访学，睁眼看世界，了解故障诊断技术当下的发展水平和状况并从中学习新技术。若干年后，日本的诊断技术已达到实用水平，其民营企业、铁道、矿石、钢材很快进入了一个更高的档次。此外，欧洲其他国家在该领域的发展也各有千秋，如瑞典 SPM 对轴承检测的贡献，丹麦 B&K 对振动、噪声监控技术的研究以及挪威船舶诊断技术的跃进[6]。据日本统计，故障诊断技术的出现使机械故障的下降率高达 75%，维修费用也减少以往的 40%左右，英国也曾对多个民营企业做过调查，发现新技术的引入极大降低了维修费用。

　　滚动轴承故障诊断方法部分功能：

轮对轴承安装位置及声学传感器阵列

货车外圈故障轴承

货车内圈故障轴承

MED-Teager 诊断模型

(a)旋转机械振动分析及故障诊断试验平台; (b)测试轴承

目录

　　主要符号说明
　　第一章 绪论
　　　　1.1 研究背景及意义
　　　　　　1.1.1 课题来源
　　　　　　1.1.2 研究背景
　　　　　　1.1.3 故障诊断的意义
　　　　1.2 国内外发展情况
　　　　　　1.2.1 国外研究现状
　　　　　　1.2.2 国内研究现状
　　　　1.3 几种循环冲击特征增强技术发展概述
　　　　　　1.3.1 小波变换
　　　　　　1.3.2 谱峭度
　　　　　　1.3.3 经验模态分解
　　　　　　1.3.4 最小熵解卷积
　　　　1.4 能量算子发展现状
　　　　1.5 本文研究内容
　　第二章 轴承故障理论分析
　　　　2.1 滚动轴承结构及振动机理
　　　　　　2.1.1 滚动轴承基本结构
　　　　　　2.1.2 滚动轴承振动机理
　　　　2.2 滚动轴承故障类型
　　　　2.3 滚动轴承特征频率
　　　　　　2.3.1 固有振动频率
　　　　　　2.3.2 故障特征频率
　　　　2.4 典型轴承故障特征分析
　　　　　　2.4.1 外圈故障
　　　　　　2.4.2 内圈故障
　　　　　　2.4.3 滚动体故障
　　　　2.5 本章小结
　　第三章 滚动轴承故障检测的包络解调方法
　　　　3.1 共振解调
　　　　3.2 广义检波滤波
　　　　　　3.2.1 高通绝对值解调
　　　　　　3.2.2 检波滤波解调
　　　　　　3.2.3 平方解调
　　　　　　3.2.4 广义检波滤波的不足
　　　　3.3 Hilbert 解调
　　　　　　3.3.1 希尔伯特变换原理
　　　　　　3.3.2 希尔伯特解调的应用
　　　　　　3.3.3 希尔伯解调的局限性
　　　　3.4 能量算子解调
　　　　　　3.4.1 连续能量算子
　　　　　　3.4.2 离散能量算子
　　　　　　3.4.3 能量算子解调原理
　　　　3.5 本章小结
　　第四章 基于能量算子解调的轴承故障检测
　　　　4.1 基于声音信号 Teager 的轮对轴承故障检测
　　　　　　4.1.1 工程应用及数据来源
　　　　　　4.1.2 外圈故障分析
　　　　　　4.1.3 内圈故障分析
　　　　4.2 基于 MED-Teager 的滚动轴承故障诊断
　　　　　　4.2.1 MED 理论及诊断方案
　　　　　　4.2.2 数据来源
　　　　　　4.2.3 外圈故障分析
　　　　　　4.2.4 内圈故障分析
　　　　4.3 基于 SK-Teager 的滚动轴承故障诊断
　　　　　　4.3.1 SK 理论及诊断方案
　　　　　　4.3.2 外圈故障
　　　　　　4.3.3 内圈故障
　　　　　　4.3.4 混合故障
　　　　4.4 本章小结
　　第五章 1.5 维 Teager 能量谱与频率加权能量算子
　　　　5.1 1.5 维谱
　　　　　　5.1.1 1.5 维谱定义
　　　　　　5.1.2 1.5 维谱估算方法
　　　　　　5.1.3 1.5 维谱的应用
　　　　　　5.1.4 1.5 维 Teager 能量谱
　　　　5.2 小波包分解结合 1.5 维 Teager 能量谱的轴承故障诊断
　　　　　　5.2.1 小波包分解
　　　　　　5.2.2 诊断流程
　　　　　　5.2.3 工程应用
　　　　5.3 频率加权的能量算子
　　　　　　5.3.1 频率加权的能量算子
　　　　　　5.3.2 频率加权能量算子与传统能量算子应用对比
　　　　5.4 基于频率加权的能量算子与 1.5 维谱的轴承故障诊断
　　　　　　5.4.1 诊断方案
　　　　　　5.4.2 内圈数据分析
　　　　　　5.4.3 外圈数据分析
　　　　5.5 本章小结
　　第六章 总结与展望
　　　　6.1 总结
　　　　6.2 展望
　　参考文献
　　个人简历 在读期间发表的学术论文
　　致谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）