滚动轴承退化预测模型关键步骤和技术探讨

陈惠红

（广州番禺职业技术学院，广东 广州 511483）

迅速发展的制造技术，使得机械设备的性能和结构更加智能化和紧密化，而结构越精密、智能化越高的机械设备产生故障的概率会越高，并且，由于机械设备某个部件的损坏未及时发现而得不到及时修复，就会使得整个设备引起功能性的障碍。因此，对设备的零部件定时巡检、修复和维护非常有必要。常见的维护方法包括计划性的维护与事后及时维护两类，但都无法使得灾难性的故障得以预防，也无法解决维修损坏的问题，因此，提出了一种“视情维修”方法的研究。视情维修是一种机械设备维修方式，指分析机械设备的当前运行状态和运行发展趋势，预测其运行是否正确和可靠确定是否安排维修。而准确评估机械设备的状态与退化趋势，判定其剩余寿命是展开设备视情维修的基础工作，预测剩余的寿命可以及时发现设备的故障并且可以预测设备故障运行发展趋势，接着可以针对性地实施预防措施和执行维修测量，不用等到设备发生功能性障碍才做出应对措施。

机械设备中非常重要的一个零部件是滚动轴承，它在整个设备系统中负责承担性和传递负载的重要工作，工作条件非常恶劣，所以非常容易损坏，而其运行的状态会影响到整个设备的性能和寿命等，所以预测和评估滚动轴承的当前状态、退化趋势及其剩余寿命非常重要，但是因为影响滚动轴承寿命的因素多、实验过程费时、建模的难度大、积累数据困难等原因，使得对滚动轴承预测模型的建立比较困难。文章探讨建立滚动轴承预测模型关键步骤和技术，希望对滚动轴承寿命的预测模型构建有一定的指导作用。

1 提取滚动轴承特征

1.1 选择滚动轴承状态特征

常用的滚动轴承状态的特征包含有噪声特征、温度特征、磨损微粒特征和震动特征等，按照这些状态特征的变化去识别设备运行的状态，显得简单便捷且直观，其中，噪声特征的优点是其包含的信息量比较多，且采集噪声特征数据的时候不会受到空间和设备的影响，比较容易获取，但是使用噪声特征对滚动轴承的运行情况进行判断虽然原理上可行，技术上却比较困难，所有在实际比较少用到；正常运转的滚动轴承，在摩擦和旋转过程中会释放一些热量，如果滚动轴承产生了故障，滚动轴承的温度就会发生显著的改变，所以温度也是滚动轴承的一种状态特征，但其灵敏度很低，一般只作为对滚动轴承设备状态的初度诊断手段；磨损是机械设备故障的最普遍形式，经过分析收集的磨损颗粒来分析磨损状况，然后有针对性地对设备诊断和维护，在背景噪声较大不能很好使用噪声特征或者由于空间限制不能使用震动特征进行测量时候，磨损微粒特征就成为了一种非常重要的状态特征；震动特征从故障产生的原理入手，分析震动特点，接着判断机械设备运行的状态，是一种比较广泛使用的状态特征，对震动特征的分析、处理方式的研究与应用非常多，且成果比较成熟，包括从频率角度、能量角度和幅度角度等的变化进行研究和分析。

1.2 提取滚动轴承振动特征

振动特征一般是通过加速度传感器来得到的，包含了大量的有用故障特征数据，例如滚动轴承整个生命周期的检测数据是间隔一段时间就采集一次，整个测试阶段就需要保存上百兆的震动特征数据，数据分析比较困难。所以提取有意义的数据特征非常必要。当前经常使用到的提取震动特征的方法包括：时域指标特征提取方法、频域指标特征提取方法和时频域指标特征提取方法和熵的特征提取方法。根据产生故障时表现不同的特性来分，时域指标特征提取含有量纲和无量纲指标，有量纲指标的震动幅度会随着设备故障的加剧而逐渐增大，其对设备的早期故障比较敏感，而跟随着负载转速、工况的变化越发不稳定；无量纲指标与轴承工作情况无关，即对振动特征信号的频率和幅度值的结构变化情况不敏感，但随着轴承故障加强，灵敏度会跟着降低；频域指标特征提取主要选择与轴承状态有关的幅值信息和轴承故障定位信息等，可以更好地分析滚动轴承的状态信号特征；因为频域与时域指标提取方法计算公式简单、方便进行计算，从而被广泛的使用；原始的轴承震动信号特性中存在噪声，会影响实际震动特征的获取，所以直接从震动原始信号中提取的频域和时域的特征信息不能很好地表达轴承工作中的细微变化过程，而基于非线性的小波分析法和经验模态轴承特征分解法等时频域指标特征提取方法和熵的特征提取方法可以很好地解决去除特征提取噪声的问题。

2 建立滚动轴承评估指标

使用上述提取的滚动轴承特征准确的表达当前轴承的状态以及随着时间的变化故障程度随着引起的变化规律，可以很好地预期轴承的剩余寿命，需要构建可以全面、准确地表达轴承运行情况的特征指标体系，因为轴承复杂的运行情况，单个特征建立的轴承退化评估指标已经不能有效满足由多个因素引起轴承退化的情况，所以融合多个轴承特征、构建综合的轴承退化评估指标体系非常关键。如果轴承退化评估指标体系选取和建立不好则对故障的评估将会不够准确、对故障的发展趋势判断也会不够灵敏，会使得下一步的建立预测模型加大困难度，将得出不准确的预测结果，因此，实现滚动轴承退化预测过程中非常关键的步骤就是对提取的大量特征数据进行筛选且采用适当的算法进行融合。

3 建立滚动轴承预测模型

滚动轴承的重要性能指标之一是寿命，定义为滚动轴承内滚道或者滚动体发生一个疲劳剥落前的总转数或工作时间[1]。滚动轴承寿命的预测包括退化趋势和剩余寿命预测，预测的关键问题在于如何选择合适的预测模型，当前学术界展开和各种研究，产生了多种多样的滚动轴承预测模型，例如：断裂力学滚动轴承寿命预测模型、统计分析滚动轴承寿命预测模型和状态监测滚动轴承寿命预测模型，而状态监测滚动轴承寿命预测模型当前研究热点。状态监测滚动轴承寿命预测模型使用实时采集的状态特征数据，建立内部规律，从而搭建预测模型，并根据训练数据的变化不断的去调整模型的结构，进而得到最优化的预测结果，实时对滚动轴承进行检测，掌握其实时的工作状态，实现滚动轴承退化趋势的预测，当前常用的模型包括：神经网络模型、专家系统模型和SVM（支持向量机）模型等。

4 结 语

通过分析当前机械设备和滚动轴承故障引起的原因及影响，得出滚动轴承退化预测模型的关键步骤如下：获取轴承的特征属性，建立综合性的轴承退化评估指标，搭建合理的预测模型，最后模型和数据展开训练，得到有效的预测退化和剩余寿命的结果，通过滚动轴承退化预测模型关键步骤和技术探讨，对构建滚动轴承退化趋势及剩余寿命的预测模型有一定的指导作用。