機械加工過程中軸承故障診斷技術研究

夏冬

摘要：都是大型機械加工設備運轉的關鍵部件，一旦出現故障之后可能導致整個加工制造系統陷入癱瘓，影響企業的正常生產。對此，我們需要準確分析大型機械加工設備的運行特點，并且圍繞軸承故障診斷技術展開深度探索，以便于增加零部件的加工精度，減少廢品率，這也是本次研究的主要切入點。

關鍵詞：機械加工;軸承故障;診斷技術

引言

軸承故障診斷最早出現于20世紀60年代，并且在傅里葉變換正式出現之后得到了快速發展，產生了各類頻譜分析儀器。現代科學技術的發展使得故障診斷技術得到了深度推進，包括沖擊脈沖和共振解調技術在內的各類故障監測手段投入運行，包含信號測量，信號預處理和故障類型判斷等多個方面。

1.機械加工設備軸承故障問題

1.1 常見故障

現階段引起軸承故障的原因體現在多個方面，例如安裝問題，潤滑問題等都會導致軸承運轉過程出現損壞，按照軸承的損傷程度可以分為三種不同類型。

首先是磨損引起的故障，此類故障比較簡單，是由于軸承長時間運行之后出現的正常材料損耗，這種漸變性故障不會立即引起軸承損傷，因此容易被忽略，振動信號時域表現形式與正常信號相同幅值略微大。

第二則是表面損傷故障，例如表面疲勞剝落、點蝕等。需要注意的是點蝕是當前最為嚴重的故障類型之一，通常情況下與化學腐蝕和電腐蝕有關，例如軸承表面接觸帶有腐蝕性的液體或酸性潤滑劑等，再加上軸承內有電流通過，由電擊導致軸承表面凹凸不平。膠合問題也較為多見，主要原因是摩擦發熱使得軸承零件在短時間內溫度過高引起表面燒傷。

最后則是軸承材料變形類故障，例如斷裂或塑性變形等都會導致軸承的直接形變，影響設備的正常運行，其中斷裂是由于軸承承受載荷過大所導致，與生產工藝和裝配工藝有著密切聯系。軸承塑性變形也是因為軸承受到過大的擠壓力，導致產生永久性形變[1]。

1.2 故障診斷

通常情況下，機械加工設備運轉環節當中不可避免會出現震動或噪聲等問題，此類原因是由設備本身的機械結構和環境影響所導致。再加上零部件之間不可避免出現摩擦和局部溫度升高現象，采取故障診斷非常必要。而常見的軸承故障診斷方法也得到了綜合應用。

最為基礎的方法是溫度檢測方法，在軸承高速運轉過程當中對變化幅值進行檢測，但由于該方法對于某些微小故障所導致的溫度變化敏感度不足，只有在故障到達一定程度之后才能發揮作用，在某些特殊情況下，無法發揮有效的功能。

噪聲分析法是通過軸承運行過程當中的噪聲變化情況對故障進行判斷，此類信號檢測方法的優勢在于以無損檢測減少與軸承的接觸，但其缺陷在于測量過程受環境干擾較大。

彈性波診斷法是利用聲發射過程測試材料在受到外力或內力作用下產生的應變能，例如軸承在出現剝落故障時就會出現生發射信號，以此為基礎展開故障診斷之后，能夠確定故障的類型和狀態。這種方法多應用于軸承早期故障診斷，并且與聲發射信號機理之間密切相關。

油樣分析法則是依靠檢測軸承磨損微粒在潤滑油當中的數量來確定軸承的故障程度，對軸承磨損類故障具有非常高的敏感性。無論是光譜分析還是鐵譜分析，都會基于不同微粒的特性進行檢測。

振動分析則是當前最為普遍也最為常見的一種故障診斷方案，所有軸承故障都可以利用振動分析法進行檢測，利用安裝在軸承表面上的加速傳感器獲得信號之后，利用信號分析方法來對結果展開診斷，如利用振動信號作為軸承故障診斷的載體[2]。

2.軸承故障識別與技術

2.1 振動信號的軸承故障特征分析

傳統的信號分析方法當中，時域特征分析被廣泛應用，對于從傳感器測量得到的信號來說，其直觀的特征就是幅值的變化和信號的基本特征，能夠反映設備在正常運行當中的振動幅度和峰值等。此外，相關分析基于定量分析對兩個信號的相關程度進行評估，借助數學形態學的知識做好信號圖像處理和算法應用，值得一提的是，數學形態學不僅在圖像處理方面得到了有效推廣，同時在振動信號方面也發揮了重要功能，例如，提取形態學與神經網絡相結合的形態學神經網絡算法就可以在安全性分析當中扮演重要的角色，其能夠有效提高軸承故障診斷和識別的效率和準確率，具有很好的效果。

2.2 軸承故障識別

對軸承故障進行診斷和識別是展開故障診斷的最中環節和最關鍵環節，按照提取的振動信號特征對類型進行判斷之后，就可以精確定位故障原因和解決方案。常見的支持向量機，就是基于統計學習理論所產生的機器學習算法基本知識，其本質是一種線性分類方法，通過函數變換將數據從低維空間轉換為高維空間，不僅能夠確定兩類數據得到正確分割，同時分類間隔處于最大，所以支持向量機具有穩定的泛化能力[3]。最小二乘支持向量機則有效縮減了支持向量數量，避免大規模逆矩陣計算從而降低計算環節的難度。

2.3 PSO算法

該算法的原理是利用鳥群的覓食過程來進行粒子群優化，在種群迭代時，下一代種群朝著上一代種群的個體最優個體展開學習，最終能夠得到最優種群。這種算法相對簡單，且設置參數較少，具有良好的局部搜索能力和靈活分析能力，是當前使用普遍的優化熱門算法。很多研究也提出基于優化的復雜網絡拓撲結構識別和自適應同步方法的結合，確保粒子群算法不會錯過任何極值點。目前，PSO算法在機械軸承診斷中也得到了較多的應用，其能夠準確地檢測并識別出軸承故障，而且具有安全、無損的特點，是一種切實可靠的診斷方法。

3.結語

本次研究以機械加工設備軸承作為主要研究對象，分析了常見的故障以及故障診斷技術方案，這對于重要零部件的生產加工而言意義突出。考慮到機械加工的生產周期本身較長，一旦出現故障之后往往會造成各類事故，因此對機械加工過程展開定期的診斷非常必要，這不僅關系到設備的正常運轉和生產活動的進行，同時還能節約企業成本減少不必要損失

參考文獻：

[1]楊婧婷. 機械加工過程中軸承故障診斷方法研究[J]. 機械設計與制造，2021（2）：5.

[2]張星星，李少波，柘龍炫，等. 基于機器學習算法的滾動軸承故障診斷研究[J]. 組合機床與自動化加工技術，2020（7）：5.

[3]蒙志強，董紹江，潘雪嬌，等. 基于改進卷積神經網絡的滾動軸承故障診斷[J]. 組合機床與自動化加工技術，2020（2）：5.