滚动轴承的状态监测与性能退化评估

王宝祥,潘宏侠,杨 卫

(1.中北大学 机械与动力工程学院,山西太原 030051; 2.中北大学 仪器与电子学院,山西太原 030051)



滚动轴承的状态监测与性能退化评估

王宝祥1，2,潘宏侠1,杨 卫2

(1.中北大学 机械与动力工程学院,山西太原 030051; 2.中北大学 仪器与电子学院,山西太原 030051)

提出一种基于规范变量分析的滚动轴承性能退化评估方法,用于解决轴承的健康监测与故障预防问题.首先，从健康状态的轴承振动数据中提取有效特征指标,建立参考模型,确定安全阈值;其次，对未知变量的特征指标进行规范变量分析,得到状态空间和残差空间;然后，采用T2和Q统计来分别度量两种空间中信息的变化量,用于反映滚动轴承的退化特性;最后,通过轴承加速寿命测试试验验证了该方法的有效性.与现有方法相比,该方法对滚动轴承的退化趋势更加敏感.

规范变量分析; 退化评估; 状态监测; 状态空间; 残差空间; 特征提取

滚动轴承是机械传动过程中的重要部件,若它发生故障将直接导致整个机械系统瘫痪,甚至引发重大的安全事故.因此,轴承故障诊断一直是机械故障诊断领域的研究热点.但是分析现有文献[1-5],很多研究工作集中在故障的识别和分类.一方面,这类方法依靠故障样本训练分类器.而现实情况下故障的发生往往具有偶然性,故障样本很难收集.另一方面,机械故障诊断的最终目的在于预防故障,防患于未然要比诊断故障的意义更重大.所以,寻找一种有效的健康监测和评估方法来确定轴承的退化特性就显得尤其重要.

YU[6]用局部保持投影结合高斯混合模型来跟踪滚动轴承的退化趋势,证明了该方法在轴承退化特性监测过程中的有效性;PAN[7-8]提出一种基于小波包和支持向量数据描述(SVDD)的轴承性能退化评估方法,通过轴承加速寿命测试试验分析了新特征指标的可靠性;胡姚刚等[9]研究了温度特征指标在风电轴承性能退化过程中的敏感特性,建立了风电轴承性能退化评估模型.分析上述研究方法可以发现,基于阈值的监测方法在轴承退化特性研究中占有重要地位.该类方法以阈值为边界,考察轴承退化趋势是否突破阈值,若是则说明轴承运转状态出现异常.由此提出一种基于规范变量分析(CVA)的轴承退化监测方法,从健康状态下的振动数据中提取特征指标,建立参考模型,以HotellingT2和Q统计量作为显示器来监测退化过程.

后续部分安排如下:第一部分主要是叙述特征提取和退化监测方法;第二部分通过轴承加速寿命测试试验,验证基于规范变量分析(CVA)方法在轴承退化监测的有效性;第三部分总结全文.

1 理论与方法

1.1 特征提取

轴承的退化信息包含在振动信号之中,而现实中振动信号往往被噪音和冗余所污染.因此,常用的方法是从原始信号中提取一些特征指标来描述轴承当前所处的状态.这些特征可分为时域特征、频域特征或者是两者的结合.实践证明:多特征融合从多方面多角度刻画轴承的退化趋势,往往能够更准确全面地反映出轴承的实际状态.常采用的时域特征指标见表1.

表1中14个时域特征从不同的方面用来描述轴承的退化特性,这些特征对不同故障的敏感程度也是不同的.如均方根(RMS)描述振动信号的强度,对轴承的磨损较为敏感;疲劳剥落、划痕故障可以根据峰值特征来评估.因此,上述时域特征可以满足实际使用需求.

1.2 退化监测方法

然而,多特征融合带来“维数灾难”问题,即多特征指标若存在相关性,容易导致数据冗余,一方面提升了计算复杂度,另一方面降低了诊断结果的可靠性.规范变量分析(CVA)作为一种有效的降维方法,被广泛用于工业过程的动态监测.其工作的基本原理是:首先使用设备健康状况下采集的数据来建立参考模型,确定参考阈值;然后通过比较未知变量与参考模型的偏离程度来判别是否出现异常状况.现假设有观测向量xt,则在过去p个时刻的向量xp和在未来f个时刻的向量xf可表示为[10]

表1 时域特征指标

(1)

(2)

将数据归一化:

(3)

(4)

将所得到的过去时刻的向量和未来时刻的向量分别组成过去矩阵和未来矩阵Xp和Xf:

(5)

(6)

式中：m为延迟向量的个数;m+p+f-1=N,N为数据点数.

进一步可求得矩阵的自相关矩阵和互相关矩阵,分别为

(7)

(8)

(9)

由此Hankel矩阵H可表示为

(10)

对式(10)进行奇异值分解,可得:

(11)

式中：∑为对角矩阵;U和V为正交矩阵.设λ1>λ2>λ3>…为∑中的奇异值,取∑中的前r个奇异值对应的特征向量成状态空间,即保留正交矩阵V中前r个特征向量得到矩阵Vr,剩余成分组成残差矩阵.于是可以得到规范变量和残差的映射矩阵J和L:

(12)

(13)

J和L分别将原始数据映射到规范变量空间和残差空间,可得

(14)

(15)

(16)

(17)

为了评估当前变量的状态,采用基于核密度函数评估法来确定阈值.假设有未知变量x,其小于定值s的概率可表示为[11]

(18)

式中,p(x)为x的概率密度函数,可以通过核函数K来估计:

(19)

综上所述,轴承的全寿命退化特性评估过程如图1所示.

图1 滚动轴承健康监测流程Fig.1 Scheme for rolling bearing health monitoring

2 试验和结果

轴承的加速寿命测试试验如图2,3所示.转轴上安装有4个ZA-2115双列轴承,转速保持在2 000 r·min-1.之后对轴承施加26.69 kN的径向载荷,测试该条件下的轴承运转数据.试验中每隔20 min采集一次振动信号,直到轴承发生故障.其中采样频率20 kHz,单位数据长度20 480.试验细节见文献[12].本次试验选取第二组数据集,轴承加速寿命测试的结果是1号轴承发生外圈故障,这一过程共产生984组试验数据子集.现在就以1号轴承为研究对象,计算轴承2,3,4的时域特征指标(见表1).

图2 轴承的全寿命测试试验Fig.2 Bearing run-to-failure experiments

对轴承2,3,4的时域特征指标进行规范变量分析(CVA),建立滚动轴承的健康模型,包括状态模型和残差模型.这里,保留规范变量数目r=3.再对轴承1进行时域特征提取,并进行规范变量分析,得到轴承1的状态空间和残差空间,并通过HotellingT2和Q统计反映出轴承的退化趋势.试验结果如图4所示.

图3 试验示意图Fig 3 Schematic figure of the experimental setup

图4 轴承1退化趋势监测Fig.4 Degradation trend monitoring for Bearing 1

HotellingT2和Q(SPE)是两种互补的度量方式,本试验以T2统计的结果为主,以Q统计的结果作为补充.从图4可以看出,两种统计都反映出滚动轴承在前600个时间单位内处于正常运转状态,600个时间单位后出现波动并呈上升趋势.T2统计显示在691个时间单位处,滚动轴承开始出现退化趋势,并最终在984个时间单位处发生外圈故障;而Q统计显示滚动轴承的退化趋势始于637个时间单位处,最终发生外圈故障.由试验结果可以发现,本方法可以有效反映出滚动轴承的退化趋势,并可以监测到滚动轴承早期较微弱的退化特性.

为了证明方法的可靠性,现将本方法与现有研究进行比较.文献[12]提出一种局部与非局部保留投影法用于滚动轴承性能退化评估.该方法使用的试验数据(如图5所示)与本次试验相同,因此具有可比性.从图中可以看出,滚动轴承在运行至约870个时间单位后开始出现退化趋势,之后轴承的健康状态急剧恶化,并最终在984个时间单位处出现外圈故障.这说明该方法可以有效地评估轴承退化特性.然而,相对于文献[12],本方法可以有效地检测出轴承早期微弱的退化特征,使得在轴承在完全失效前有足够的时间进行检修,以便排除故障.

图5 轴承1的性能退化评估[12]Fig.5 Performance degradation assessment for Bearing 1 [12]

3 结论

将规范变量分析方法成功应用到滚动轴承性能退化评估中,证明了本方法在轴承健康监测过程中的有效性.通过与现有方法的比较,发现基于规范变量分析的评估方法灵敏度较高,可以监测到轴承早期的退化特性,这对于设备的及时维护与检修都具有重要的现实意义.后续工作会集中在多特征融合和敏感特征提取方面.

[1] LIU H,HAN M.A fault diagnosis method based on local mean decomposition and multi-scale entropy for roller bearings[J].Mechanism and Machine Theory,2014,75:67-78 .

[2] LI Y,XU M,WANG R,et al.A fault diagnosis scheme for rolling bearing based on local mean decomposition and improved multiscale fuzzy entropy[J].Journal of Sound and Vibration,2016,360:277-299

[3] KANG M,KIM J M.Singular value decomposition based feature extraction approaches for classifying faults of induction motors[J].Mechanical Systems and Signal Processing,2013,41:348-356

[4] 孟宗,胡猛,谷伟明,等.基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法[J].中国机械工程，2016,27:433-437.

MENG Z,HU M,GU W M,et al.Rolling bearing fault diagnosis method based on LMD multi-scale entropy and probabilistic neural network[J].China Mechanical Engineering,2016,27(4):433-437.

[5] 魏秀业,潘宏侠.基于粒子群优化的设备状态分类器设计[J].太原理工大学学报,2006,37(6):688-690.

WEI X Y,PAN H X.State classifier design of the equipment based on particle swarm optimization[J].Journal of Taiyuan University of Technology，2006,37(6):688-690

[6] YU J.Bearing performance degradation assessment using locality preserving projections and Gaussian mixture models[J].Mechanical Systems and Signal Processing,2011,25:2573-2588

[7] 潘玉娜,陈进.小波包-支持向量数据描述在轴承性能退化评估中的应用研究[J].振动与冲击,2009,28(4):164-167.

PAN Y N,CHEN J.Wavelet package-support vector data description applied in bearing performance degradation assessment[J].Journal of Vibration and Shock,2009,28(4):164-167

[8] PAN Y,CHEN J,GUO L.Robust bearing performance degradation assessment method based on improved wavelet packet-support vector data description[J].Mechanical Systems and Signal Processing,2009,23:669- 681.

[9] 胡姚刚,李辉,廖兴林,等.风电轴承性能退化建模及其实时剩余寿命预测[J].中国电机工程学报,2016,36(6):1643-1649.

HU Y G,LI H,LIAO X L,et al.Performance degradation model and prediction method of real-time remaining life for wind turbine bearings[J].Proceedings of the CSEE,2016,36(6):1643-1649.

[10] 李志农,张芬,肖尧先.基于CVA-ICA的机械故障源动态盲分离方法[J].机械工程学报,2015,51(12):24-29.

LI Z N,ZHANG F,XIAO Y X.Dynamic blind separation of mechanical fault sources based on canonical variate analysis and independent component analysis[J].Journal of Mechanical Engineering,2015,51(12):24-29.

[11] ODIOWEI P E,CAO Y.Nonlinear dynamic process monitoring using canonical variate analysis and kernel density estimations[J].IEEE Transactions on Industrial Informatics,2010,6(1):36-45.

[12] YU J.Local and nonlocal preserving projection for bearing defect classification and performance assessment[J].IEEE Transactions on Industrial Informatics,2012,59(5):2363-2376.

Condition monitoring and performance degradation assessment on rolling bearings

WANG Baoxiang1，2,PAN Hongxia1,YANG Wei2

(1.School of Mechanical and Power Engineering,North University of China,Taiyuan 030051,Shanxi,China;2.School of Instrument and Electronics, North University of China,Taiyuan 030051,Shanxi,China )

To resolve the health monitoring and fault prevention problems, the performance degradation assessment is proposed based on canonical variate analysis (CVA) method for rolling bearings. Firstly, by extracting the useful feature indices from healthy vibration data, the reference model and safety threshold are respectively obtained. Then, the CVA is applied for feature indices of unknown variables to produce the state and residual spaces. Next,T2andQmetrics are employed to measure changes of information in the bespoke spaces to reflect degradation characteristics of rolling bearings. Finally, the effectiveness of the proposed method is demonstrated by accelerated bearing life testing. Therein, this approach is more sensitive to degradation trends of rolling bearings than existing works.

canonical variate analysis; degradation assessment; condition monitoring; state space; residual space; feature extraction

国家自然科学基金资助项目(51175480)

王宝祥(1990-),男,博士研究生.E-mail:wangbx1990@yahoo.com

TH 17

A

1672-5581(2017)01-0072-05