滚动轴承故障频谱特征分析

2020-03-01宋晓君于兰

经济技术协作信息 2020年10期

◎宋晓君于兰

发电厂中的滚动机械很多，作为重要部件的滚动轴承广泛用于电厂各类机械驱动系统中。滚动轴承的作用是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失，是一种精密的机械元件。滚动轴承具有使用维护方便，工作可靠，起动性能好，在中等速度下承载能力较高等优势，也有减振能力较差，高速时寿命低，声响较大等劣势。工作中的滚动轴承即使润滑良好，安装正确，防尘防潮严密，运转正常，最终也会因为滚动接触表面的疲劳而失效。滚动轴承的损坏会导致机械系统出现故障，严重情况下甚至会造成人身伤害。为保证机械系统的正确运行以及人身安全，需要采取有效的轴承故障分析方法，尽早发现故障以采取应对措施。

一、滚动轴承常见故障

1.磨损。

滚动轴承内滚道与滚动体的相对运动会产生磨损；多尘环境中外界的尘土、杂质侵入到轴承内，也会使滚道与滚动体表面产生磨损；润滑不良，还会产生黏着磨损，这种黏着磨损随着轴承转速越高会日益加剧。还有一种微振磨损，即滚动轴承不旋转但出于振动中时，滚动体与滚道接触面间存在往复的微小滑动，在滚道上产生波纹状的磨痕。磨损产生后，表面粗糙度增大，轴承游隙加大，运动精度降低，噪声和振动都会增强。

2.疲劳剥落。

工作时轴承滚动体表面与滚道由于交变载荷的作用，先在轴承表面下一定深度处产生裂纹，裂纹逐步扩展至接触表层产生剥落坑，随着时间的增长剥落坑进一步增大会导致滚动体或滚道的局部表层金属大面积剥落，使轴承产生振动和噪声。

3.腐蚀。

当有电流通过滚动轴承内部时，滚动体和滚道间接触点处引起火花使轴承表面局部熔融，产生波纹状凹凸不平；水分、空气水分的直接侵入滚动轴承也会引起轴承表面的锈蚀。此外，轴承套圈在轴颈或座孔中的微小相对运动也会造成微振腐蚀。

4.塑性变形。

热变形引起的额外载荷、过大的静载荷或冲击载荷、高硬度异物的侵入等情况的发生，会在滚动轴承滚道表面形成划痕或不均匀的凹痕，压痕产生后会进一步加大冲击载荷引起附近表面的剥落，引起轴承塑性变形，进一步加剧轴承振动和噪声。常见于低速轴承。

5.胶合。

胶合指一个零部件表面上的金属粘附到另一个零部件表面上的现象。滚动轴承高速载重或润滑不良情况下由于摩擦发热导致轴承零件短时间急速升温造成胶合及表面烧伤。

6.断裂。

滚动轴承载荷超过其极限、热应力过大等可能引起轴承零件断裂。

7.保持架损坏。

使用或装配不当引起保持架变形，加剧其与滚动体或内外滚道间摩擦，造成保持架损坏，噪声、发热、振动加剧。

二、滚动轴承的故障诊断方法

本文从滚动轴承的频谱特征分析领域对轴承的故障诊断方法进行浅析。

1.时频分析法。当轴承出现故障时，会产生与1 倍基频不完全相同的振动分量，即非同步分量。如果在频谱分析中发现有此类信号出现，极有可能出现轴承故障。可用具有良好频域和时域局部化特征的小波变换代表振动信号的时频分布特性，对信号的短时、高频成分进行准确的频域和时域分析，并从中有效提取故障特征，进行故障分析与解析。为提高信号的诊断率与信噪比，可以连续使用小波变换和独立分量分析来对滚动轴承的信号进行消噪和分离。将小波滤波和循环平稳度分析方法相结合可针对滚动轴承的早期故障进行诊断。此法的缺点是实际应用中由于难以选取小波变换的基函数，限制了该法在轴承故障诊断领域中的应用。

2.经验模态分解（Empirical Mode Decomposition，简称EMD）法。

经验模态分解法突破了以傅立叶变换为基础进行的线性和稳态频谱分析，不须预先设定任何基函数，只依据数据自身的时间尺度特征进行信号分解，即经验模式分解，将复杂信号分解为有限个本征模函数（简称IMF），这些IMF 分量包含不同时间尺度的原信号的的局部特征信号（频率从高到低的有限个本征模式分量）。理论上可应用于分解任何类型的信号，具有自适应性，适于分析非平稳、非线性信号序列，信噪比高，优势明显。

对数据信号进行EMD 分解要基于一定的假设条件，具体如下：首先数据至少要有两个极值，一个极小值和一个极大值；其次对于有拐点但没有极值点的数据，可对数据进行一次或多次微分求得极值，再进行积分求得分解结果。再次极值点间的时间尺度可唯一确定数据的局部时域特性。

经验模态分解法的基本原理是：找出信号的极小值和极大值点，通过三次样条函数分别拟合极小值包络线和极大值包络线。然后对两个极值包络线进行均值求出信号的均值包络线。最后用原数据减去包络均值得到新数据，如果依然存在正的局部极小值和负的局部极大值，说明该数据非本征模函数，将以上步骤持续重复进行，直到新数据满足IMF 分量要求为止。

EMD 由于其自适应性及在非平稳、非线性信号序列分析中的优势在旋转轴承的故障诊断中得以广泛应用，其缺点是由于停止准则的限制，EMD 所分解的IMF 中出现了模式混叠。

即在不同的IMF 中混合了相同成分的信号及不同频率成分的信号混合在同一IMF 中，给轴承的故障诊断带来影响，限制了其应用。为了抑制模式混叠现象的发生，出现一种集成经验模态分解法（EEMD），这是一种基于噪声的辅助分析方法，该法通过在待测信号中加入高斯白噪声来平衡信号，然后经过多次EMD 分解得到IMF 的平均分量，能够在一定程度上解决传统EMD 方法存在的模态混叠问题，但是由于添加的白信号和信号的相互作用，产生虚假模式分量及剩余噪声，致使不能有效提取故障特征频率。为了解决这一问题，科学家们提出了联合模式分量（CMF），为避免模式混叠，CMF 将相邻的IMF 进行结合，作为新的自适应滤波器组，增强EMD 分解的准确性。此种方法目前在分类相邻的IMF 方面尚缺乏科学依据，需要通过经验来区分，为了提升EMD 的分解效果，可以采用模糊熵衡量CMF 频谱的概率密度函数波形的相似性，将相关的IMFs结合为CMF，获得与故障频率最为相关的CMF 或者引入样本熵描述正常振动信号，利用样本熵阈值提取符合振动信号特征的IMF 分量，再对IMF 分量进行重构，进行去噪处理。