风电轴承故障模式及诊断方法研究进展

轴承是风电机组中十分重要的承重部件,在长时间承受复杂的交变载荷后会发生故障,影响风电机组的正常运行。首先,对风电轴承的故障模式进行总结分析,在此基础上从定性和定量2个方面阐述了风电轴承故障诊断方法;然后,分析了监测技术和诊断方法的使用情况、主要思想以及各自的优缺点;最后,针对风电轴承故障研究的方向,提出了建立全面的风电轴承故障知识库,进行多层次耦合低速大型风电轴承的结构分析,建立点对点的风电轴承动态数据监测系统,加强风电轴承故障信息的早期发掘以及故障诊断方法的融合等建议。     

云/边缘协同的轴承故障诊断方法

现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。     

本期导读

2020年第49卷第10期关键词故障诊断P01(约稿)机械故障诊断学是一种了解和掌握机器在运行过程中的状态,确定其整体或局部正常或异常,早期发现故障及其原因,并能预报故障发展趋势的技术。随着人工智能和信息技术的快速发展,故障诊断也从基于故障机理和经验模式的诊断方法逐步向智能诊断等方向发展。《机械故障诊断技术机遇与挑战》一文从诊断技术侧重的不同,将故障诊断技术分为实时故障诊断、早期故障诊断、智能故障诊断和5G联合数据故障诊断4类,从不同角度对故障诊断技术的新进展进行了探讨,指出故障诊断未来的发展方向将是针对产品具体需求切实提升企业产品的智能化水平,以及如何利用大数据,针对行业提供专业化、规模化服务。可为故障诊断系统的研究与应用提供参考。     

基于EEMD和SOM的轴承故障诊断

EMD算法所存在的端点效应及模态混叠问题会导致故障轴承特征值提取时精度不高等问题。为提高故障诊断系统的准确性,文中选用一种基于EMD的改进算法EEMD,通过提取时域特征参数,衡量故障诊断程度,判断故障类型。运用SOM神经网络进行诊断识别。文中在进行实际实验分析的基础上,总结了实验平台的框架、典型的故障轴承类型,分析了选用的特征参数对故障诊断的不同判别方向,并提出基于集合经验模态与SOM神经网络的轴承故障诊断方法。     

混沌理论在滚动轴承故障诊断中的应用

混沌系统对初始条件和参数极度敏感,这一特点可以用于检测早期检测噪声背景下的滚动轴承故障信号。从几个方面综述了混沌理论在轴承故障诊断中的应用现状,即滚动轴承故障诊断技术的分类与特点,混沌理论在滚动轴承故障诊断中的应用基础,混沌振子系统在轴承故障诊断中的应用,混沌动力学分析在滚动轴承故障诊断中的应用。并通过分析总结,预测了混沌理论在轴承故障诊断中的下一步研究方向。     

基于ARM的嵌入式轴承健康监测系统设计

针对传统轴承健康监测系统集成度低、体积较大的问题,设计了一套基于ARM的嵌入式轴承健康监测系统。系统基于ARM9内核的S3C2440A主控芯片、Linux操作系统与Qt图形化开发软件,实现了轴承状态信号采集、实时分析处理、LCD显示、上传云服务器、状态报警与故障诊断功能。通过小波包能量熵提取故障特征,可以准确地反映出故障聚集的频段,并将其输入到RBF神经网络实现故障类型的自动识别,提高了诊断的质量和效率。试验结果表明,系统数据可靠、通信效果好、故障诊断准确率高,满足实际应用的需求。     

滚动轴承早期故障诊断技术

滚动轴承早期故障存在特征不明显、信号微弱、信噪比低、故障难以识别等特点。根据轴承振动机理和频率特性,从发展现状和常用方法 2个方面阐述了滚动轴承早期故障诊断的基本情况,并对基于量纲一化指标的滚动轴承早期故障诊断方法进行了详细论述。最后总结了滚动轴承早期故障诊断所面临的问题,并对其发展趋势进行了展望。     

基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

煤矿掘进机轴承故障快速诊断系统设计分析

基于掘进机轴承故障现存的难诊断、诊断效率不高、诊断结果无法实现可视化等问题,分析了掘进机轴承故障诊断系统应具备的主要功能以及实现这些功能应用到的主要功能模块,提出了掘进机轴承故障诊断系统总体设计方案,探讨了该方案的具体实现策略.该系统不仅可及时高效地诊断掘进机轴承故障,而且可使诊断结果达到可视化,可有效减少掘进机轴承故障诊断维修时间.     

低信噪比下的滚动轴承早期微弱故障识别

低信噪比下的滚动轴承早期微弱故障识别是轴承故障诊断领域的一个难点问题，基于希尔伯特变换解调的包络谱分析法虽是得到广泛工程应用的轴承故障检测经典方法，但其对信噪比过低的轴承早期微弱故障诊断能力不足。针对这一问题，采用时频域高阶统计量——谱峭度开展滚动轴承早期微弱故障识别研究。利用滚动轴承从完好逐渐发展到外圈损伤失效的全寿命周期试验数据进行分析，结果表明：对于轴承出现的早期微弱故障，谱峭度法能够通过识别提取位于高信噪比共振频带的微弱故障信号，实现轴承早期微弱故障识别，相比直接采用包络谱分析法提前了200 min检测出微弱故障。     

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。     

某型航空发动机中介主轴承早期微弱故障诊断研究

针对基于机匣采集的振动信号难以有效提取出航空发动机中介主轴承早期微弱故障特征的问题,提出了基于巴特沃斯低通滤波器降噪和Hilbert包络解调的中介主轴承早期微弱故障诊断方法。该方法依托带涡轮支承和外机匣的新型航空发动机中介主轴承试验器,首先,开展某型发动机巡航状态下健康中介主轴承试验,获取基准振动频谱特征;然后,进行外圈剥落预置故障的轴承试验,对采集的振动信号通过低通滤波降噪并进行Hilbert包络分析解调出低频故障信号;最后,对比分析健康主轴承试验与轴承故障试验的时域波形、频谱和包络谱。结果表明,包络谱中转差信号与呈现"山"型边带特征,可用于诊断该型航空发动机中介主轴承外圈的早期剥落故障。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

基于三稳态随机共振的滚动轴承早期故障诊断研究

针对滚动轴承早期故障提出了三稳态随机共振故障诊断新方法。介绍了三稳态随机共振的基本理论,对比三稳态与双稳态系统说明其产生随机共振的可能性;采用小幅值正弦信号模拟故障输入信号,研究了不同频率下输出与输入信号频谱峰值比,得到了三稳态随机共振的诊断可行性。使用滚动轴承早期故障实测信号作为实验数据,实验结果表明三稳态随机共振对轴承早期故障具备良好的直接诊断能力,为滚动轴承早期故障诊断方法提供了一种新思路。     

机械故障诊断技术机遇与挑战

随着人工智能和信息技术的快速发展,故障诊断也从基于故障机理和经验模式的诊断方法逐步向智能诊断等方向发展。分别从实时故障诊断、早期故障诊断、智能故障诊断、5G联合数据故障诊断的角度对故障诊断技术的新进展进行了探讨,可为故障诊断系统的研发与应用提供参考。     

行星轮系早期故障诊断的研究与进展

行星轮系是重要的旋转机械部件，对其早期故障进行诊断是避免重大事故发生的重要手段。行星轮系早期故障诊断已经成为学者研究的焦点。分析了行星轮系早期故障信号的特点，梳理了行星轮系早期故障机理、信号获取方法、故障特征提取与识别的研究现状；归纳总结了早期故障诊断研究存在的主要问题，提出了开展基于动力学模型的早期复合故障机理研究、基于多传感器的早期故障信号获取方法研究、基于多域分析的早期故障特征指标研究、基于数值模型驱动的早期故障诊断研究等方面的建议；为进一步开展行星轮系早期故障诊断的研究提供依据。     

基于特征选择与概率神经网络的轴承故障诊断研究

为提高航空发动机轴承故障诊断精度,应用距离评估准则和概率神经网络分类技术,提出了一种基于特征选择与概率神经网络的轴承故障诊断方法。首先,利用轴承故障试验数据,提取得到14个时域特征和13个频域特征,构成故障诊断多域特征集;其次,为提高分类效率,降低各特征量间的耦合特性对分类结果的影响,应用基于距离评估的特征选择方法,筛选得到分类性能更好的特征参数;在此基础上,应用概率神经网络方法进行了轴承故障诊断研究。应用轴承模拟故障实验数据进行验证,结果表明,与BP神经网络和支持向量机诊断方法相比,PNN方法诊断精度更高;同时由于采用了特征选择,诊断效率和精度又得到进一步提高。     

基于复Morlet小波的列车走行部轴承故障监测系统北大核心CSCD

文中针对列车走行部中轴承的故障设计了一种故障监测系统,实时监测轴承的状态,提高轴承故障诊断的精度。该系统将数据采集与处理分离,对轴承的温度和振动数据进行采集,传给处理板进行诊断,使用谱峭度提取振动信号中的共振频率,以此确定复Morlet小波的中心频率和尺度,使用小波变换对信号进行处理。该算法能自适应提取信号的共振频率,有效过滤外界噪声的干扰,提高轴承故障诊断的精度。通过模拟轴承故障对该系统进行验证,该系统能有效检测走行部轴承的故障。     

FMS实时故障诊断专家系统的研究

将专家系统技术应用在ＦＭＳ故障诊断中，建立了一个具有在线故障数据采集和故障自动诊断功能的ＦＭＳ实时故障诊断专家系统，同时介绍了专家系统的总结结构，知识表示和自动推理机制。     

基于小波分析的矿用通风机故障诊断研究

针对矿用通风机故障特征中高频信号带来诊断误差大的问题,提出了一种基于小波分析的矿用通风机故障诊断方法。首先利用小波分析方法对采集到的通风机轴承振动数据进行降噪处理,实现诊断数据中干扰噪声的有效消除;然后对获取的特征数据进行Hilbert变换,能够求解出特征数据中的故障特征频率,克服了传统故障诊断方法中干扰噪声大的缺点。对矿用通风机轴承实测数据分析表明,所提方法能够高效处理故障特征信息,实现轴承故障的精确诊断。