小编导读

旋转机械设备在实际应用场景下，轴承一旦发生异常，人们往往希望可以既快速又准确地判断轴承所处异常状态，以便对此进行针对性维护。异常检测分析利于帮助大家判断轴承处于正常状态或异常状态，故障分类可有效诊断轴承处于哪种异常状态。

本文基于西安交通大学机械工程学院与浙江长兴昇阳科技有限公司协同开展的滚动轴承加速寿命试验得到的XJTU-SY轴承数据集，运用标准差、FFT频谱以及包络谱等多种算法对轴承异常检测和故障分类进行研究。

XJTU-SY轴承数据集

▌试验平台

试验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，如图1所示：

图1 轴承加速寿命试验平台

试验平台可调节参数包括径向力和转速，其中径向力由液压加载系统产生，作用于测试轴承的轴承座，转速由交流电机转速控制器调节。试验轴承为LDK UER204滚动轴承，其参数如表1所示：

表1 LDK UER204滚动轴承参数

 

▌试验工况

试验共设计3类工况，每类工况测试5个轴承。3类工况参数如表2所示：

表2 轴承加速寿命试验工况

 

▌数据采集

试验通过便携式动态信号采集器采集分别固定于测试轴承水平和竖直方向上的两路加速度传感器信号。试验参数为：

采样频率：25.6kHz

采样间隔：1min

单次采样时长：1.28s

每通道单次采集加速度数据：32768个

▌储存格式

采集数据存储为csv文件，文件按采集时间顺序命名。其中第1列为水平方向加速度数据，第2列为竖直方向加速度数据。

▌测试结果

3类试验工况轴承测试得出15种结果，其中包括对应工况、数据样本总数、实际寿命和失效位置，如表3所示：

表3 3类试验工况下15种轴承测试结果

 

轴承故障

轴承故障形式主要有内圈磨损、保持架断裂、外圈磨损和外圈裂损，如图2所示：

图2 轴承故障形式

 

基于以上XJTU-SY轴承数据集，和记官网技术团队采用Python语言和Matplotlib库，取每样本每通道前8192个数据做可视化分析。

 

异常检测

为直观显示测试轴承全寿命周期运行状态，技术人员将该轴承所有数据样本各通道加速度标准差计算结果绘制成折线图，用以分析该轴承出现异常的时间节点。

▌异常一

采用Bearing1_1数据集进行分析，该数据集在工况1（35Hz/12kN）共采集123个数据样本（1.csv-123.csv），技术人员分别计算出数据样本各通道加速度标准差结果，并绘制成折线图，如图3所示：

（红色曲线：水平方向加速度标准差；绿色曲线：竖直方向加速度标准差）

图3 Bearing1_1全寿命周期加速度标准差

根据折线图显示，数据样本在75之前的加速度标准差基本恒定，并且数值很小，但在75之后，加速度标准差迅速且持续增大。由此可得出结论，该轴承在采集到75个测试周期时出现明显异常，且异常程度愈发严重。

▌异常二

采用Bearing2_2数据集进行分析，该数据集在工况2（37.5Hz/11kN）共采集161个数据样本（1.csv-161.csv）。该数据集全寿命周期加速度标准差如图4所示：

图4 Bearing2_2全寿命周期加速度标准差

根据折线图显示，该轴承大约采集45个数据样本后出现异常。

▌异常三

为避免数据出现偶然性，技术人员再次采用Bearing3_1（工况3，40Hz/10kN，共2538个数据样本）数据集进行分析，全寿命周期加速度标准差如图5所示：

图5 Bearing3_1全寿命周期加速度标准差

从图中可明确看出，该轴承在大约采集2400个数据样本后出现异常。

由以上三个异常结果可得出结论：在三种不同工况下，采用加速度标准差的方式均可进行异常检测。

故障分类

技术团队对轴承故障分类进行深入研究，本篇主要以轴承外圈故障的诊断方法为例进一步做出说明。

由异常一折线图可以看出，Bearing1_1数据集在75之前的数据样本处于正常状态，75之后处于异常状态。基于此，我们取该数据集第1包数据样本作为正常状态数据（如图6-1、图6-2），取第110包数据样本作为异常状态数据（如图7-1、图7-2）。

图6-1 Bearing1_1第1包数据样本原始加速度信号波形

图6-2 Bearing1_1第1包数据样本FFT频谱

图7-1 Bearing1_1第110包数据样本原始加速度信号波形

图7-2 Bearing1_1第110包数据样本FFT频谱

从图6和图7可以看出，两包数据样本的原始加速度信号波形和FFT频谱均存在较大差异，但对于故障分类帮助并不大。原始加速度信号波形仅是原始加速度数据，而故障特征无法清晰展现。FFT频谱虽能看到发生较大频谱变化，但FFT频谱对于连续性信号比较敏感，相对轴承故障诊断来说，选择对非连续性的冲击信号更敏感的包络谱更为适用。

包络谱：对目标信号进行Hilbert变换之后得到解析信号，将解析信号的模取包络，对该包络信号进行FFT变换得到的数据。横坐标为频率，纵坐标为幅值。包络谱对冲击事件比较敏感，因此非常适合提取轴承故障特征。

用包络谱进行轴承故障分类方法：计算出四种轴承故障形式（内圈磨损、保持架断裂、外圈磨损和外圈裂损）的特征频率以及对应数据样本的包络谱，根据包络谱判断是否和四种故障特征频率一致。

当轴承外圈固定内圈旋转时，故障特征频率计算公式如图8所示：

图8 轴承故障特征频率计算公式

参考表1(LDK UER204滚动轴承参数)可知：n=8；d=7.92；D=34.55；α=0。

▌论证一

以Bearing1_1数据集为例，该数据集工况转速为35Hz，即N=35。带入外圈故障频率计算公式得出Bearing1_1工况下外圈故障特征频率：F_BPFO=107.91Hz。经过计算，Bearing1_1第110包数据样本的包络谱如图9所示：

（由于外圈故障特征频率的3倍频在400Hz以内，以下我们仅展示400Hz以内的包络谱）

图9 Bearing1_1第110包数据样本包络谱

图9中纵轴0以上信号为数据样本包络谱，0以下虚线为外圈故障频率1倍频、2倍频和3倍频的标记线。可以看出，包络谱的三个最大峰值分别落在外圈故障频率的1倍频、2倍频和3倍频标记线处，完美展示了外圈故障频率特征。

▌论证二

以Bearing2_2数据集为例，该数据集工况转速为37.5Hz，即N=37.5。带入外圈故障频率计算公式得出Bearing2_2工况下外圈故障特征频率：F_BPFO=115.62Hz。经过计算，Bearing2_2第140包数据样本的包络谱如图10所示：

图10 Bearing2_2第140包数据样本包络谱

▌论证三

以Bearing3_1数据集为例，该数据集工况转速为40Hz，即N=40。带入外圈故障频率计算公式得出Bearing3_1工况下外圈故障特征频率：F_BPFO=123.32Hz。经过计算，Bearing3_1第2500包数据样本包络谱如图11所示：

图11 Bearing3_1第2500包数据样本包络谱

由图9、图10、图11可得结论：在三种不同的工况下，使用包络谱对轴承加速度信号进行分析，均可清晰检测外圈故障。

结语

综上所述，对于滚动轴承的异常检测可通过加速度标准差判断，对于外圈故障分类可通过计算加速度信号的包络谱判断。

参考文献

[1]Biao Wang,Yaguo Lei,Naipeng Li,Ningbo Li,“A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings”,IEEE Transactions on Reliability, pp. 1-12, 2018. DOI: 10.1109/TR.2018.2882682.