滾動軸承故障頻譜特征分析

◎宋曉君 于蘭

發電廠中的滾動機械很多，作為重要部件的滾動軸承廣泛用于電廠各類機械驅動系統中。滾動軸承的作用是將運轉的軸與軸座之間的滑動摩擦變為滾動摩擦，從而減少摩擦損失，是一種精密的機械元件。滾動軸承具有使用維護方便，工作可靠，起動性能好，在中等速度下承載能力較高等優勢，也有減振能力較差，高速時壽命低，聲響較大等劣勢。工作中的滾動軸承即使潤滑良好，安裝正確，防塵防潮嚴密，運轉正常，最終也會因為滾動接觸表面的疲勞而失效。滾動軸承的損壞會導致機械系統出現故障，嚴重情況下甚至會造成人身傷害。為保證機械系統的正確運行以及人身安全，需要采取有效的軸承故障分析方法，盡早發現故障以采取應對措施。

一、滾動軸承常見故障

1.磨損。

滾動軸承內滾道與滾動體的相對運動會產生磨損；多塵環境中外界的塵土、雜質侵入到軸承內，也會使滾道與滾動體表面產生磨損；潤滑不良，還會產生黏著磨損，這種黏著磨損隨著軸承轉速越高會日益加劇。還有一種微振磨損，即滾動軸承不旋轉但出于振動中時，滾動體與滾道接觸面間存在往復的微小滑動，在滾道上產生波紋狀的磨痕。磨損產生后，表面粗糙度增大，軸承游隙加大，運動精度降低，噪聲和振動都會增強。

2.疲勞剝落。

工作時軸承滾動體表面與滾道由于交變載荷的作用，先在軸承表面下一定深度處產生裂紋，裂紋逐步擴展至接觸表層產生剝落坑，隨著時間的增長剝落坑進一步增大會導致滾動體或滾道的局部表層金屬大面積剝落，使軸承產生振動和噪聲。

3.腐蝕。

當有電流通過滾動軸承內部時，滾動體和滾道間接觸點處引起火花使軸承表面局部熔融，產生波紋狀凹凸不平；水分、空氣水分的直接侵入滾動軸承也會引起軸承表面的銹蝕。此外，軸承套圈在軸頸或座孔中的微小相對運動也會造成微振腐蝕。

4.塑性變形。

熱變形引起的額外載荷、過大的靜載荷或沖擊載荷、高硬度異物的侵入等情況的發生，會在滾動軸承滾道表面形成劃痕或不均勻的凹痕，壓痕產生后會進一步加大沖擊載荷引起附近表面的剝落，引起軸承塑性變形，進一步加劇軸承振動和噪聲。常見于低速軸承。

5.膠合。

膠合指一個零部件表面上的金屬粘附到另一個零部件表面上的現象。滾動軸承高速載重或潤滑不良情況下由于摩擦發熱導致軸承零件短時間急速升溫造成膠合及表面燒傷。

6.斷裂。

滾動軸承載荷超過其極限、熱應力過大等可能引起軸承零件斷裂。

7.保持架損壞。

使用或裝配不當引起保持架變形，加劇其與滾動體或內外滾道間摩擦，造成保持架損壞，噪聲、發熱、振動加劇。

二、滾動軸承的故障診斷方法

本文從滾動軸承的頻譜特征分析領域對軸承的故障診斷方法進行淺析。

1.時頻分析法。當軸承出現故障時，會產生與1 倍基頻不完全相同的振動分量，即非同步分量。如果在頻譜分析中發現有此類信號出現，極有可能出現軸承故障。可用具有良好頻域和時域局部化特征的小波變換代表振動信號的時頻分布特性，對信號的短時、高頻成分進行準確的頻域和時域分析，并從中有效提取故障特征，進行故障分析與解析。為提高信號的診斷率與信噪比，可以連續使用小波變換和獨立分量分析來對滾動軸承的信號進行消噪和分離。將小波濾波和循環平穩度分析方法相結合可針對滾動軸承的早期故障進行診斷。此法的缺點是實際應用中由于難以選取小波變換的基函數，限制了該法在軸承故障診斷領域中的應用。

2.經驗模態分解（Empirical Mode Decomposition，簡稱EMD）法。

經驗模態分解法突破了以傅立葉變換為基礎進行的線性和穩態頻譜分析，不須預先設定任何基函數，只依據數據自身的時間尺度特征進行信號分解，即經驗模式分解，將復雜信號分解為有限個本征模函數（簡稱IMF），這些IMF 分量包含不同時間尺度的原信號的的局部特征信號（頻率從高到低的有限個本征模式分量）。理論上可應用于分解任何類型的信號，具有自適應性，適于分析非平穩、非線性信號序列，信噪比高，優勢明顯。

對數據信號進行EMD 分解要基于一定的假設條件，具體如下：首先數據至少要有兩個極值，一個極小值和一個極大值；其次對于有拐點但沒有極值點的數據，可對數據進行一次或多次微分求得極值，再進行積分求得分解結果。再次極值點間的時間尺度可唯一確定數據的局部時域特性。

經驗模態分解法的基本原理是：找出信號的極小值和極大值點，通過三次樣條函數分別擬合極小值包絡線和極大值包絡線。然后對兩個極值包絡線進行均值求出信號的均值包絡線。最后用原數據減去包絡均值得到新數據，如果依然存在正的局部極小值和負的局部極大值，說明該數據非本征模函數，將以上步驟持續重復進行，直到新數據滿足IMF 分量要求為止。

EMD 由于其自適應性及在非平穩、非線性信號序列分析中的優勢在旋轉軸承的故障診斷中得以廣泛應用，其缺點是由于停止準則的限制，EMD 所分解的IMF 中出現了模式混疊。

即在不同的IMF 中混合了相同成分的信號及不同頻率成分的信號混合在同一IMF 中，給軸承的故障診斷帶來影響，限制了其應用。為了抑制模式混疊現象的發生，出現一種集成經驗模態分解法（EEMD），這是一種基于噪聲的輔助分析方法，該法通過在待測信號中加入高斯白噪聲來平衡信號，然后經過多次EMD 分解得到IMF 的平均分量，能夠在一定程度上解決傳統EMD 方法存在的模態混疊問題，但是由于添加的白信號和信號的相互作用，產生虛假模式分量及剩余噪聲，致使不能有效提取故障特征頻率。為了解決這一問題，科學家們提出了聯合模式分量（CMF），為避免模式混疊，CMF 將相鄰的IMF 進行結合，作為新的自適應濾波器組，增強EMD 分解的準確性。此種方法目前在分類相鄰的IMF 方面尚缺乏科學依據，需要通過經驗來區分，為了提升EMD 的分解效果，可以采用模糊熵衡量CMF 頻譜的概率密度函數波形的相似性，將相關的IMFs結合為CMF，獲得與故障頻率最為相關的CMF 或者引入樣本熵描述正常振動信號，利用樣本熵閾值提取符合振動信號特征的IMF 分量，再對IMF 分量進行重構，進行去噪處理。

三、總結

時頻分析法及經驗模態分解（EMD）法在滾動軸承故障診斷領域各有優劣勢，EMD 法由于其自適應性及在非平穩、非線性信號序列分析中的優勢獲得了廣泛關注，針對其模式混疊問題不斷出現解決之法，為其未來的廣泛應用奠定了基礎。