早期軸承故障檢測
時間:2020-12-17 11:13來源:未知 作者:Hong Kong
軸承故障是旋轉機械發生故障的***主要原因之一，這種故障可能是災難性的，從而導致昂貴的停機時間。軸承預測的關鍵問題之一是在缺陷的初期階段就對其進行檢測，并在操作人員發展成災難性故障之前對其進行警告。
對于基于傳感器的方法，信號降噪和信號弱簽名的提取對于軸承的預測至關重要，因為測量機制的固有缺陷通常會給信號帶來大量噪聲。另外，有缺陷的軸承的信號會散布在很寬的頻帶上，因此很容易被噪聲和低頻效應掩蓋。
通常，軸承振動信號是通過安裝在軸承箱上的振動傳感器收集的，傳感器通常會從其他機械部件收集主動振動源。測量機制的固有缺陷將大量噪聲引入信號中。
因此，軸承故障的信號會散布在很寬的頻帶上，并容易被噪聲和低頻效應掩蓋。挑戰之一是在缺陷開發的早期階段增強弱簽名。
需要一種信號增強方法來為軸承性能評估和預測提供更多明顯的信息。
從嘈雜的背景中提取信號的傳統方法是設計一個合適的濾波器，該濾波器可以去除噪聲成分，同時讓所需信號保持不變。根據噪聲類型和應用，可以設計不同的濾波器進行降噪。
但是，對于噪聲類型和頻率范圍未知的情況，傳統的濾波器設計可能會成為計算量很大的過程。
小波變換由于其非凡的時頻表示能力而被廣泛用于信號去噪。盡管大多數信號降噪方法都旨在從嘈雜的原始信號中檢測出平滑曲線，但來自機械故障（例如齒輪和軸承）的振動信號卻比平滑的更像脈沖。
一些研究人員開發了基于Morlet小波分析的去噪方法，并將該方法應用于齒輪振動信號的特征提取。這些方法尋求***佳小波濾波器，該濾波器可以給出變換信號的***大峰度值。
但是，軸承的缺陷特征是周期性的脈沖。周期性在故障識別中起著重要作用，在***佳小波濾波器構造中不應忽略。
軸承預測的另一個挑戰是如何基于提取的特征有效地評估系統性能。有效實施軸承預測的主要困難之一是缺陷增長的***度隨機性。
即使可以提取各種各樣的特征來描述來自不同方面的信號特征（例如均方根[RMS]，峰度，波峰因數，倒譜和包絡譜），以前的工作表明，每個特征都是僅在某些階段對某些缺陷有效。
例如，由波峰因數和峰度表示的振動信號的尖峰表示初始缺陷，而RMS值給出的***能級則表示嚴重缺陷。
好的性能評估方法應利用來自多個功能部件和傳感器的相互信息來進行系統降級評估。
![[field:title /]](/uploads/allimg/160926/1-160926095J5.jpg)
![[field:title /]](/uploads/allimg/170316/1-1F316164532.jpg)
![[field:title /]](/uploads/allimg/160927/1-16092G12F7.jpg)
![[field:title /]](/uploads/allimg/160926/1-160926164057.jpg)
![[field:title /]](/uploads/allimg/160929/1-160929164110.jpg)
京公網安備 11010702001993號