英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
利用声发射传感器的低速轴承故障诊断
文章信息：
文章历史：
于2014年12月3日收到
于2015年10月28日以修订形式收到
于2015年10月29日接收发表
关键词：
轴承故障 诊断 声发射传感器 低速
摘要：
在本文中会介绍对低速轴承诊断的一套新方法。这个基于声发射的技术较于以振动为核心的方法不同的是，它以一种采样声发射频率，降低外差频率的方法开始。这样，声发射信号在时间上同步地重复采样来反映轴转速可能发生的波动和轴承滑移。这个重复采样的方法能够根据轴旋转周期分段声发射信号，这样，就有偶数个数据点可用于计算出一个波谱平均数，通过它可以提取特性，评估大量轴承故障诊断的状态指标。不同于已经存在的基于降低噪声平均值的，需要对每个轴承故障类型的多重平均值进行计算的方法，本文介绍的方法仅需对所有的轴承故障类型计算一个平均值。本文介绍的技术已经在轴承试验台上，通过预设故障钢轴承的声发射信号验证。本文将在最后得出结论，证实低采样声发射信号与这个方法结合可以用来更有效率地提取状态指标，而来诊断速度低于10Hz的多轴的所有四种轴承故障类型。
- 简介
大多数重型设备和机械装置或多或少都有轴承。加之，轴承通常应用于非理想工作条件下,问题将会出现并会导致过早损坏。当一个轴承损坏，故障会引起重大故障停机，高昂的维修费用，还有潜在的经济效益降低。最近一项研究发表了一个利用神经网络的滚动轴承故障诊断方法，和一个时域/频域振动方法[1]。这个研究表明，利用在轴承实验台上得到的振动数据，神经网络可以帮助诊断多种多样的发动机轴承故障。神经网络也已被表明在使用统计时间特性[2]时，对工况监测的高效。另一项研究专注于一般的旋转机械，并使用了一个基于模型的方法来监测和诊断机械故障[3]。这项研究开发了一项非线性滤波技术，来表示出由于不平衡、刚度改变、转子轴承系统阻尼等因素引起的复杂非线性振动响应。上述技术通过低信噪比环境模拟确认生效。参考[4]介绍了一个基于对现场轴承故障的定子电流监测的故障检测方法。在本文中，可以通过结合降噪和统计过程控制技术，提取出轴承故障的因素，来检测出由于轴承润滑不足的退化引起失控的样本。一项研究已经发表了一个两步数据挖掘的方法来分类塑料轴承的缺陷[5]。这项研究高效地利用经验模态分解算法来提取时域状态指标，并将其作为监督式学习算法的输入来分类轴承缺陷。其他的研究已经提出了使用局部保持投影和非局部保持投影，高效的轴承缺陷技术[6]，降维算法线性辨别分析[7]，或对直驱风力发电机的振幅和频率解调电流轴承信号的功率谱密度分析[8]。
在多种工业中，对低速旋转机械的使用是成功操作的关键。这低速旋转机械可以在钢铁厂和造纸厂、生物应用和风力发电机中找到。因此，在这些应用中，监测轴承，轴，齿轮对于低速设备的合理维护是至关重要的。在低速轴承诊断文献中，低速已经被称为0.33Hz到10Hz的范围[9]，然而大大降低的速度极限已经被考虑为单独的分类范围。例如，低于0.5Hz的速度已被归为“超低”[10]，如果低于0.83Hz则被视为“极低”[11]。在本文中，如[9]描述，轴速陷入低速范围的轴承故障诊断问题将被摆出。
至今，利用振动分析对滚动轴承和其他的旋转设备的状态监测是一项已建立的技术和工业标准。一项研究调查了在轴速低于1Hz缺陷滚动轴承故障检测和诊断中,对解调电流振动信号和其频率谱的参数模型的使用[12]。论文中，一项信号处理技术被首次用来检测轴承缺陷，频谱也被用来归类缺陷。尽管高效，这个方法需要人来目检频谱才能实现故障诊断。后来，另一项研究开发了一个低速技术系统来测量低速旋转机械产生的振动[9]。这个系统核心是将机器的高频率噪音从低频率有用信号中过滤，在一个低速转子和齿轮箱中已经得到验证。再后来，对于低速领域，故障轴承信号的通用模型已经被建立，并且已显示在故障轴承中包络相关特性可以被观测，而在健康轴承中不行[13]。还有研究试图开发新的加速器并且在共振解调技术帮助下，检测低速滚动轴承故障[14]。然而，对振动的利用在低速的领域被限制了，因为在这个速度下故障产生的能的变化不能通过基于传统加速计的监控系统检测到。因此，研究人员已经调查了在低速领域中，对用于组件监控的声发射传感器和应变仪的使用。
基于声发射的研究已经显现了对潜在故障检测的满意效果，并且最近的研究探索了利用声发射对低速轴承的监测。一项以前的调查观察了对低速轴承的监测[15]。在这项研究中，对加速度，冲击脉冲传感器，声发射技术，和冲击测量的效果的比较将被发布。在其他已下结论中，已经提及AE明确检测到在速度低至0.17赫兹时的外轨轴承的缺陷。然而，这个研究也提到观测到的AE回应不能被解释，并且平均法不能使用，因为在每一转的基础上信号不能精确地重复。另一个研究发布了用于监测介于0.0083赫兹到0.083赫兹的极低轴速滚动轴承的AE使用[11]。在这项研究中发现AE测量在监测极低转速轴承时非常灵敏，然而加速度包络能检测到的最低轴速被限制在10Hz。这项研究利用了AE脉冲计数并记录下用这个方法使数据变得可控。参考[16]研究了用于低速轴承监测的AE的应用。这项研究使用K-均值算法来辨别球面滚子轴承的线性缺陷。尽管实现了预想的效果，这项研究专注于频率范围在100KHz-1MHz并且也依靠数据挖掘技术，数据挖掘技术很耗费时间因为测试模型需要大量的数据。参考[17]也依靠数据挖掘方法，提出了一个不同的基于关联向量机和支持向量机的归类技术来诊断轴速范围在0.33Hz到1.33Hz的轴承故障。在另一项研究中，一个AE传感器被用来检测频率范围高于100KHz的低速滚动轴承的隐患[18]。这项研究利用不同的滤带评估了一系列时域CIs，从而决定可以辨别健康内圈轴承信号和故障内圈轴承信号的最优参数。然而，这项研究的目标是确定高效的滤波器频带范围和可以用来分析得到的AE信号的时域CIs。此外，在使用四种轴承类型各自的滤带和本文介绍的CIs时，只有内圈故障被发现并且不是所有四种轴承类型的故障诊断都能被确认。后来，参考[10]提出了一个诊断方法，这个方法使用AE包络波形和在速度低于1.67Hz下得到的结果。这项研究确认外圈表面剥落的周期可以被获取在速度低至0.17Hz。最近，其他研究开发了AE以及它对于止推滚珠轴承和低速轴的状态监测的使用[19,20]。这些研究论证可以利用AE来检测裂纹萌生和扩展，并且也主要注重AE源定位的探究。此外，上述实验也重视1.2Hz单轴速环境，加载情况下测试轴承环境和缺润滑环境。
尽管如此，上述高频率的AE信号伴随着高取样率。并且，对于低速故障的诊断应用，数据获取需要比较长的时间去捕捉机械缺陷频率。高取样率和长数据样本的结合限制了基于AE方法的实际应用的灵活性。最近，已证明可以通过外差电路来降低AE传感器的频率范围，一个低成本的数据收集系统可以在一定范围内采样AE传感器，与基于振动的技术不同。这个方法已经成功地被应用于齿轮分析[21-23]和增材制造应用[24]。此外，结合基于时间同步重新采样的波谱平均值方法，已经证实可以高效地诊断轴速介于30-60Hz的所有四种轴承故障类型[25-26]。然而，在上述高速应用中高效的时域信号的统计特性的组合在对于本实验里的低速数据时，效果不好。在本文中，一个使低采样信号的应用变得更加容易的方法将被介绍，它使连续AE时间信号的使用更加可控。我们发现新分析信号结合不同的CIs能有效地评估低轴速。因此，前面提到的外差模拟回路结合这个新的信号处理方法来处理在低采样率下获取的AE数据，并诊断轴速在2-10Hz的所有四种轴承故障类型。轴速在2-10Hz的所有四种轴承故障类型的诊断还没有在学术论文中出现。那么，因为结合低样本率，给基于AE的轴承监测方法的实际实施提供了可能性。
剩余全文结构如下。第二部分提供了方法的详细解释。第三部分将讨论预设故障测试细节和使声发射方法有效的实验装置。第四部分呈现预设故障测试的轴承故障诊断的效果，第五部分对本文下结论。
2.方法详解
图1描绘本文介绍方法的概观。首先，用基于外差的频率降低技术在一定范围采样AE信号，与通过同时采集测试信号的基于振动的方法不同。第二，采样的AE信号是通过转速信号过零点时刻stamp在时间上同步重复采样的。然后，重采样信号呈平均光谱并且被用来计算用于轴承故障诊断的CIs。
Fig.1 Overview of the methodology
接着，在环节2.2一个关于轴承基础缺陷的讨论将呈现。紧随其后的是一个时域同步平均值的检测方法（TSA），时域同步重采样（TSR）和环节2.3中的谱平均值方法。最后，环节2.4解释轴承故障诊断的CIs的计算。
2.1使用外差法的采样频率降低技术
最近的一个以AE为核心的技术是大量的计算负担。因为AE传感器输出信号的频率通常高达数兆赫兹，基于AE的方法往往伴随着高达几赫兹到10赫兹的采样率。在本文中，使用了一种采样频率降低的技术来降低信号的能量，这样，高采样率就可以被利用，与振动方法不同。这种方法的类型已经被很有效地应用于齿轮分析[21-23]增材制造监控[24]，和轴速在30Hz及以上的轴承故障的诊断[25,26]。这个方法的计算量很大，因为电脑中需要收集和储存的数据减少了并且大大降低了数据获取带来的损耗。
外差的概念已经在通信领域被应用很久了。在无线电中，一个典型的震幅调制信号的载波信号的频率通常高达数兆赫兹，然而调制到载波信号的声频信号常常有低至几千赫兹的频率。通过解调，振幅调制信号频率被降低，使声频信号以大大降低的频率被获取。这个结果不仅仅是采样率的减少，而且是对得到的数据的计算性的加工。
本文中使用的AE信号解调器工作起来和无线电正交解调器类似：转换载波频率到基带，紧接着低通滤波。这里应用了外差法。就数学原理来说，外差是建立在三角恒等式的基础上。对于频率f1和f2的两个信号，分别可以写成如下：
这里f1是AE载波频率，f2是调解器的参考信号频率。
例如，让f1=3hz，f2=4hz，设y1=sin（2pi;3t），y2=sin(2pi;4t)。然后相乘Y=y1y2，如图2所示。
然后，如图3所示，调制信号是低通滤波的，排除了频率（f1 f2）中的高频。
接下来提供一个关于外差方法应用于原始AE信号的详细的讨论。被广泛接受的是，振幅调制是AE信号调制的主要形式。尽管如此，AE信号中，频率和相位调制是可能存在的，他们是被认为不重要并将不会在这里讨论。振幅调制功能将通过（2）给出。
在这个公式中U a是调制信号，U m是载波信号振幅，omega;c是载波信号频率，m是调制系数，x是有用信号。假设x可以被振幅X m和频率Omega;这样表示：
注意这里假设信号x的频率omega;远远小于载波信号的频率omega;c。这时，通过外差技术，调制信号乘单位幅度参考信号。以下是U0的结果：
然后，将公式（3）代入公式(4)：
因为U m不能附上任何与调制信号有关联的有用信息，将Um设为0，或者通过去除线性分量除去它。从（5）中可以看出只有有用信号的一部分1/2 m X m c o s Omega; t，将在低通过滤波后留下，然而大约为2倍omega;c的高频率的伴生组分将被除去。
解调步骤的添加实现了降低信号频率到10秒每千赫兹的目的，已经非常接近振动信号的频率范围。因此，任何低采样率的数据采集板都能采样处理前的AE数据。
2.2关于轴承基本缺陷频率的讨论
当轴承以不变的速度旋转时，它的AE信号理论上是呈周期性的。一般来说，有四个基础缺陷频率来描述这个运动。这四个缺陷频率是轴承保持器损坏频率(FTF),轴承滚动件损坏频率(BSF),轴承外环轨道损坏频率(BPFO),轴承内环轨道损坏频率(BPFI)。这些频率分别代表了轴承箱，轴承滚珠，外轨和内轨的缺陷频率[27]，这些缺陷频率被定义为：
在这里D e是轴承滚子的直径，D p是间距直径，Z是轴承滚子的数量，beta;用角度表示是接触角，omega;是以Hz为单位的轴转速。6205-2RS钢滚柱轴承的示意图如图4。此外，6205-2RS的参数和计算出的缺陷乘数分别在表1和表2中给出。
在给定的轴速下，被监测轴承的频谱理论上应包含峰值，它关乎轴承缺陷频率存在与否。这些峰值常常很难被发现因为信号中机械噪声的存在。因此，信号处理技术已经被开发来降低噪声，提高信噪比，例如平均值方法。测量如公式（6）-（9）所示的轴承缺陷频率经常被使用，通过基于窄频带和边频带的分析方法。因为相比轴阶频率和齿轮啮合频率，这些轴承缺陷频率的振幅非常小，通过用傅里叶分析直接从窄频
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147804]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
