滾動軸承退化預測模型關鍵步驟和技術探討

陳惠紅

（廣州番禺職業技術學院，廣東 廣州 511483）

迅速發展的制造技術，使得機械設備的性能和結構更加智能化和緊密化，而結構越精密、智能化越高的機械設備產生故障的概率會越高，并且，由于機械設備某個部件的損壞未及時發現而得不到及時修復，就會使得整個設備引起功能性的障礙。因此，對設備的零部件定時巡檢、修復和維護非常有必要。常見的維護方法包括計劃性的維護與事后及時維護兩類，但都無法使得災難性的故障得以預防，也無法解決維修損壞的問題，因此，提出了一種“視情維修”方法的研究。視情維修是一種機械設備維修方式，指分析機械設備的當前運行狀態和運行發展趨勢，預測其運行是否正確和可靠確定是否安排維修。而準確評估機械設備的狀態與退化趨勢，判定其剩余壽命是展開設備視情維修的基礎工作，預測剩余的壽命可以及時發現設備的故障并且可以預測設備故障運行發展趨勢，接著可以針對性地實施預防措施和執行維修測量，不用等到設備發生功能性障礙才做出應對措施。

機械設備中非常重要的一個零部件是滾動軸承，它在整個設備系統中負責承擔性和傳遞負載的重要工作，工作條件非常惡劣，所以非常容易損壞，而其運行的狀態會影響到整個設備的性能和壽命等，所以預測和評估滾動軸承的當前狀態、退化趨勢及其剩余壽命非常重要，但是因為影響滾動軸承壽命的因素多、實驗過程費時、建模的難度大、積累數據困難等原因，使得對滾動軸承預測模型的建立比較困難。文章探討建立滾動軸承預測模型關鍵步驟和技術，希望對滾動軸承壽命的預測模型構建有一定的指導作用。

1 提取滾動軸承特征

1.1 選擇滾動軸承狀態特征

常用的滾動軸承狀態的特征包含有噪聲特征、溫度特征、磨損微粒特征和震動特征等，按照這些狀態特征的變化去識別設備運行的狀態，顯得簡單便捷且直觀，其中，噪聲特征的優點是其包含的信息量比較多，且采集噪聲特征數據的時候不會受到空間和設備的影響，比較容易獲取，但是使用噪聲特征對滾動軸承的運行情況進行判斷雖然原理上可行，技術上卻比較困難，所有在實際比較少用到；正常運轉的滾動軸承，在摩擦和旋轉過程中會釋放一些熱量，如果滾動軸承產生了故障，滾動軸承的溫度就會發生顯著的改變，所以溫度也是滾動軸承的一種狀態特征，但其靈敏度很低，一般只作為對滾動軸承設備狀態的初度診斷手段；磨損是機械設備故障的最普遍形式，經過分析收集的磨損顆粒來分析磨損狀況，然后有針對性地對設備診斷和維護，在背景噪聲較大不能很好使用噪聲特征或者由于空間限制不能使用震動特征進行測量時候，磨損微粒特征就成為了一種非常重要的狀態特征；震動特征從故障產生的原理入手，分析震動特點，接著判斷機械設備運行的狀態，是一種比較廣泛使用的狀態特征，對震動特征的分析、處理方式的研究與應用非常多，且成果比較成熟，包括從頻率角度、能量角度和幅度角度等的變化進行研究和分析。

1.2 提取滾動軸承振動特征

振動特征一般是通過加速度傳感器來得到的，包含了大量的有用故障特征數據，例如滾動軸承整個生命周期的檢測數據是間隔一段時間就采集一次，整個測試階段就需要保存上百兆的震動特征數據，數據分析比較困難。所以提取有意義的數據特征非常必要。當前經常使用到的提取震動特征的方法包括：時域指標特征提取方法、頻域指標特征提取方法和時頻域指標特征提取方法和熵的特征提取方法。根據產生故障時表現不同的特性來分，時域指標特征提取含有量綱和無量綱指標，有量綱指標的震動幅度會隨著設備故障的加劇而逐漸增大，其對設備的早期故障比較敏感，而跟隨著負載轉速、工況的變化越發不穩定；無量綱指標與軸承工作情況無關，即對振動特征信號的頻率和幅度值的結構變化情況不敏感，但隨著軸承故障加強，靈敏度會跟著降低；頻域指標特征提取主要選擇與軸承狀態有關的幅值信息和軸承故障定位信息等，可以更好地分析滾動軸承的狀態信號特征；因為頻域與時域指標提取方法計算公式簡單、方便進行計算，從而被廣泛的使用；原始的軸承震動信號特性中存在噪聲，會影響實際震動特征的獲取，所以直接從震動原始信號中提取的頻域和時域的特征信息不能很好地表達軸承工作中的細微變化過程，而基于非線性的小波分析法和經驗模態軸承特征分解法等時頻域指標特征提取方法和熵的特征提取方法可以很好地解決去除特征提取噪聲的問題。

2 建立滾動軸承評估指標

使用上述提取的滾動軸承特征準確的表達當前軸承的狀態以及隨著時間的變化故障程度隨著引起的變化規律，可以很好地預期軸承的剩余壽命，需要構建可以全面、準確地表達軸承運行情況的特征指標體系，因為軸承復雜的運行情況，單個特征建立的軸承退化評估指標已經不能有效滿足由多個因素引起軸承退化的情況，所以融合多個軸承特征、構建綜合的軸承退化評估指標體系非常關鍵。如果軸承退化評估指標體系選取和建立不好則對故障的評估將會不夠準確、對故障的發展趨勢判斷也會不夠靈敏，會使得下一步的建立預測模型加大困難度，將得出不準確的預測結果，因此，實現滾動軸承退化預測過程中非常關鍵的步驟就是對提取的大量特征數據進行篩選且采用適當的算法進行融合。

3 建立滾動軸承預測模型

滾動軸承的重要性能指標之一是壽命，定義為滾動軸承內滾道或者滾動體發生一個疲勞剝落前的總轉數或工作時間[1]。滾動軸承壽命的預測包括退化趨勢和剩余壽命預測，預測的關鍵問題在于如何選擇合適的預測模型，當前學術界展開和各種研究，產生了多種多樣的滾動軸承預測模型，例如：斷裂力學滾動軸承壽命預測模型、統計分析滾動軸承壽命預測模型和狀態監測滾動軸承壽命預測模型，而狀態監測滾動軸承壽命預測模型當前研究熱點。狀態監測滾動軸承壽命預測模型使用實時采集的狀態特征數據，建立內部規律，從而搭建預測模型，并根據訓練數據的變化不斷的去調整模型的結構，進而得到最優化的預測結果，實時對滾動軸承進行檢測，掌握其實時的工作狀態，實現滾動軸承退化趨勢的預測，當前常用的模型包括：神經網絡模型、專家系統模型和SVM（支持向量機）模型等。

4 結 語

通過分析當前機械設備和滾動軸承故障引起的原因及影響，得出滾動軸承退化預測模型的關鍵步驟如下：獲取軸承的特征屬性，建立綜合性的軸承退化評估指標，搭建合理的預測模型，最后模型和數據展開訓練，得到有效的預測退化和剩余壽命的結果，通過滾動軸承退化預測模型關鍵步驟和技術探討，對構建滾動軸承退化趨勢及剩余壽命的預測模型有一定的指導作用。