轴承状态检测相关资料

1、. 轴 承状态分析 院系：机械学院 班级：09级测控二班 学号：20091450 姓名：刘涛 1.轴承检测的意义 轴承状态检测与故障诊断技术是一种了解和掌握轴承在使用过程中的状态，确定其整体或局部正常或异常，并且能够预报故障发展趋势的技术。在工业应用系统中，滚动轴承是其中的重要部件，而滚动轴承引发的故障是引起及其设备失效的重要原因，特别是在告诉重载条件下的滚动轴承，由于工作面接触应力的长期反复作用，极易引起疲劳，裂纹，剥蚀，压痕等故障 ，从而引发轴承产生断裂，胶着，烧损等现象。而这些故障会使轴承的旋转精度降低，产生震动，噪声，增加轴承的旋转阻力。最终将使轴承受到阻滞和卡死。造成工业机械系统的失

2、效。因而对轴承状态的检测是十分重要的。研究轴承故障诊断与检测可已达到一下目的：（1） 能及时，正确地对滚动轴承各种故障状态或异常状态做出诊断或检测，预防或消除故障，对设备的运行经行必要的指导，提高设备运行的可靠度，安全性和有效性，以期把故障损失减低到最低水平。（2） 保证滚动轴承发挥最大的设计能力，制定合理的检测维修制度，以便在允许的条件下延长滚动周琛通过的服役期限和使用寿命，减低设备全寿命周期费用。（3） 通过故障分析，性能评估等手段为滚动轴承的优化设计，结构修改，合理制造等生产过程提供数据和信息。总得说来，滚动轴承故障检测与检测既要保证设备的安全运行，又要获取更得的经济效益和社会效益。2.

3、常见的轴承故障以及损坏原因 滚动轴承拆卸检查时，可根据轴承的损伤情况判断轴承的故障及损坏原因。 （1）滚道表面金属剥落 轴承滚动体和内、外圈滚道面上均承受周期性脉动载荷的作用，从而产生周期变化的接触应力。当应力循环次数达到一定数值后，在滚动体或内、外圈滚道工作面上就产生疲劳剥落。如果轴承的负荷过大，会使这种疲劳加剧。另外，轴承安装不正、轴弯曲，也会产生滚道剥落现象。 轴承滚道的疲劳剥落会降低轴的运转精度，使机构发生振动和噪声。 （2）轴承烧伤 烧伤的轴承其滚道、滚动体上有回火色。烧伤的原因一般是润滑不足、润滑油质量不符合要求或变质，以及轴承装配过紧等。 （3）塑性变形 轴承的滚道与滚子接触面上

4、出现不均匀的凹坑，说明轴承产生塑性变形。其原因是轴承在很大的静载荷或冲击载荷作用下，工作表面的局部应力超过材料的屈服极限，这种情况一般发生在低速旋转的轴承上。 （4）轴承座圈裂纹 轴承座圈产生裂纹的原因可能是轴承配合过紧，轴承外国或内圈松动，轴承的包容件变形，安装轴承的表面加工不良等。 （5）保持架碎裂 其原因是润滑不足，滚动体破碎，座圈歪斜等。 （6）保持架的金属粘附在滚动体上 可能的原因是滚动体被卡在保持架内或润滑不足。 （7）座圈滚道严重磨损 可能是座圈内落入异物，润滑油不足或润滑油牌号不合适滚动轴承的故障现象一般表现为两种，一是轴承安装部位温度过高，二是轴承运转中有噪音。 （1）轴承温

5、度过高 在机构运转时，安装轴承的部位允许有一定的温度，当用手抚摸机构外壳时，应以不感觉烫手为正常，反之则表明轴承温度过高。 轴承温度过高的原因有：润滑油质量不符合要求或变质，润滑油粘度过高；机构装配过紧(间隙不足)；轴承装配过紧；轴承座圈在轴上或壳内转动；负荷过大；轴承保持架或滚动体碎裂等。 （2）轴承噪音 滚动轴承在工作中允许有轻微的运转响声，如果响声过大或有不正常的噪音或撞击声，则表明轴承有故障。 滚动轴承产生噪音的原因比较复杂，其一是轴承内、外圈配合表面磨损。由于这种磨损，破坏了轴承与壳体、轴承与轴的配合关系，导致轴线偏离了正确的位置，在轴在高速运动时产生异响。当轴承疲劳时，其表面金属剥

6、落，也会使轴承径向间隙增大产生异响。此外，轴承润滑不足，形成干摩擦，以及轴承破碎等都会产生异常的声响。轴承磨损松旷后，保持架松动损坏，也会产生异响。 3.轴承检测常用的诊断技术 滚动轴承的故障诊断技术主要有振动诊断技术、铁谱诊断技术、温度诊断技术、声学诊断技术、油膜电阻诊断技术和光纤监测诊断技术等，其中，振动、铁铺、温度诊断技术应用最普遍。      1.振动诊断技术     轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀时，轴承运行中会出现周期性的脉冲信号。这种周期性的信号可有安装在轴承座上的

7、传感器（速度型或加速度型）来接收，通过对振动信号的分析来诊断轴承的故障。     特点：振动诊断技术应用广泛；可实现在线监测；诊断快，诊断理论已成熟。     应用范围：特别适合旋转机械中轴承的故障监测。     2.铁谱诊断技术     轴承磨损颗粒与其工作状况有密切的联系。将带有磨损颗粒的润滑油通过一强磁场，在强磁场的作用下，磨粒按一定的规律沉淀在铁谱片上，铁谱片可在铁谱显微镜上作定性观察或在定量仪器上测试，据此判断轴承的工作状况。

8、     特点：机器无需解体；投资低，效果好；能发现轴承的早期疲劳失效；可做磨损机理研究。     应用范围：适用于用润滑油润滑的轴承的故障诊断，对于用脂润滑的轴承较困难。     3.油膜电阻诊断技术     润滑良好的轴承，由于油膜的作用，内、外圈之间有很大的电阻。故通过测量轴承内、外圈的电阻，可对轴承的异常作出判断。     特点：对不同的工况条件可使用同一评判标准。对表面剥落、压痕、裂纹等

9、异常的诊断效果差。     应用范围：适用于旋转轴外露的场合。     4.光纤监测诊断技术      光纤监测是一种直接从轴承套圈表面提取信号的诊断技术。用光导纤维束制成的位移传感器包含有发射光纤束和接收光纤束。光线由发射光纤束经过传感器端面与轴承套圈表面的间隙反射回来，由接收光纤束接收，经光电元件转换成电信号，通过对电信号的分析处理，可对轴承工况作出评估。     特点：光纤位移传感器灵敏度高；直接从轴承表面提取信号，提高

10、了信噪比；可直接反映滚动轴承的制造质量、表面磨损程度、载荷、润滑和间隙情况。     应用范围：适用于可将传感器安装在轴承座内的机器。     5.温度诊断技术     轴承若产生某种异常，轴承的温度会发生变化。因此，根据温度的变化，可以对轴承故障进行诊断，但对异常判断的能力很低。     特点：诊断简单；对轴承烧伤判断效果较好。     应用范围：适用于机器中轴承的简单常规诊断。  &

11、#160;  6.声发射诊断技术     金属材料由于内部晶格的位错、晶界滑移或者由于内部裂纹的发生和发展，均需要释放弹性波，这种现象称为声发射现象。滚动轴承产生剥落或裂纹时，会产生不同类型的声发射信号，据此可对轴承工况作出评估。     特点：诊断快速、简便；可在线监测。     应用范围：近几年来发展的新技术，在轴承工况监测中应用较少3。4.轴承检测的信号分析手段 常用的轴承检测信号分析手段如下 (1)小波包能量特征提取：小波包分解将采集的信号投影在不

12、同的频带上，然后分别对这些频带内的信号进行分析。小波包分析将频带划分为多个层次，对多分辨率分析法没有细分的高频部分进一步分解，从而提高了时域分辨率。图1以三层小波包分解为例说明了小波包分解过程。图中L代表低频轮廓信号分解，H代表高频细节信号分解，后面的数字表示小波包分解的层数，分解过程关系如下：S=LLL3+HLL3+LHL3+HHL3+LLH3+HLH3+LHH3+HHH3 (2)多小波谱峭度方法:谱峭度方法以及其谱峭度的快速算法峭度图是一种用来发现信号特征所在频率的方法。该方法在故障诊断中有较好的效果。但传统的谱峭度方法采用的滤波器较为单一，变化有限，难以准确地匹配故障特征，从而不能得到精

13、确的特征提取结果。多小波谱峭度方法一种依据信号特征进行多小波的自适应构造，并且结合谱峭度理论而成的一种故障特征提取方法。该方法对于信噪比较低的信号能够准确地锁定特征频段，而且可有效地提取出微弱特征，获得优于传统方法的效果。(3)包络法:包络是通过检波处理，获取共振波的包络线，由包络线的能量大小来判定轴承缺陷的大小。此外，还可根据包络波的频谱分析获取运动学频率的信息成分，以判定故障部位及类型。但是，脉冲共振解调法并不能解决轴承故障的全部问题。尤其是微弱的冲击信号。(4)形态非抽样小波分解方法:传统的形态小波采用的是一种“隔二抽取”抽样小波分解方法,因此若直接利用传统形态小波分解后的近似信号和细节

14、信号进行分析时,将造成信号长度不一致、高层信号信息量不足的问题,这将影响到信号的特征提取。而形态非抽样小波分解则是基于非抽样小波框架的一种对偶小波分解方法,它省去了小波分解过程的下抽样和小波重构过程的上抽样,是基于信号每个点的变换方法,这种方法能够避免信息丢失和降低噪声而引起的失真,因此更适合于信号的特征提取和降噪。形态非抽样小波分解方法在滚动轴承故障特征的提取中，能够抑制噪声又能突出故障冲击成分，而且能够取得比传统小波包分解更好的效果。(5)Walsh变换:Fourier功率谱分析是滚动轴承故障特征提取的一种重要方法，但是难以从早期微弱信号中有效地提取故障特征。walsh变换是类似于Four

15、ier变换的一种信号处理方法，也是以一系列序率不同的方波为基函数构成的数学变换旧。其有相应的序谱分析、功率谱计算等。 滚动轴承故障信号波形和walsh函数有明显的相似性，应用walsh级数很容易进行信号的综合，级数越高则近似程度越高。经walsh变换后，数值集中在少数几个系数上，使用Walsh变换求取此类信号功率谱，可很好地将特征信号提取出来，有利于滚动轴承的模式识别和故障定位。利用walsh变换求取功率谱，其故障特征的强度高，能有效地分离并突出轴承故障特征信息。且walsh变换计算简单、速度快，其应用效果优于Fourier功率谱。其为滚动轴承早期故障诊断提供了一种新途径。 (6)时变自回归模

16、型:时变自回归模型（TVAR）是一种基于参数模型的时频分析方法。它是在AR(autoregressive)建模的基础上发展起来的。TVAR方法得出的时频谱图具有分辨率高、无交叉干扰项以及计算速度快等优点，非常适合处理非平稳信号，已在故障诊断领域有所应用。 5.基于轴承检测的人工智能技术和人工神经网络 （1）BP 神经网络技术：神经网络是由大量简单的神经元广泛连接，以及对各连接权值的分布来表示特定的概念和知识而组成的网络，具有模拟任何连续非线性函数的能力和利用样本学习的能力。人工神经网络的模型很多，在故障诊断领域中常用的是BP 神经网络。标准BP 网络由三层神经元组成，包含输入层、隐含层、输出层

17、。同一层神经元互不相连，不同神经元层之间相互相连。神经网络模型见下图。BP 网络的算法由正向传播和反向传播两个阶段组成。数据信号从输入层输入，经隐层处理后再到输出层输出。实际输出与期望输出相比较得到网络的输出误差，误差信号沿网络反向传播，并按误差函数的负梯度方向不断地修正各层的连接权植和阈值，使得误差信号最终达到精度要求，从而实现输入、输出的非线性映射（2）概率神经网络（PNN）是由径向基函数网络发展而来的一种前馈型神经网络，与BP 神经网络对比有以下特点:1) 过程简单，收敛速度快，网络总收敛于贝叶斯优化解，稳定性高;2) 网络训练不需太多样本，模式分类能力强;3) 样本追加能力强，可容忍个别错误的样本。 1江雁.文娟.滚动轴承故障诊断中常用的信号分析方法期刊论文-科教导刊2011-72舒服华基于BP 神经网络滚动轴承故障诊断期刊论文-装备维修技术2005年第3