CN107036815B - 对轴承缺陷进行严重程度评估的方法和数据处理装置 - Google Patents

Abstract

本发明公开了一种对轴承缺陷进行严重程度评估的方法和数据处理装置。所述方法涉及一种方法，其基于轴承的旋转速度和被配置为测量轴承圈的振动的传感器获得的传感器数据中的至少一个数据样本来检测轴承缺陷严重程序的方法。所述方法包括以下步骤：通过应用傅里叶变换将所述数据样本从时域转换到频域以获得信号频谱；使用所述旋转速度来确定轴承的缺陷中心频率；识别信号频谱中的预定数量的频率峰值。发明人提出对已知方法进行改进以检测轴承缺陷严重程序，包括以下步骤：确定包括所述预定数量的频率峰值的全部频带的总振动能量；针对频率峰值中的每个频率峰值，将峰值能量确定为信号分量中导致频率峰值的频谱能量；使用所述频率峰值的峰值能量，计算轴承缺陷频谱能量；使用所述轴承缺陷频谱能量与所述总振动能量的比率来评估轴承缺陷的严重程度。

Description

对轴承缺陷进行严重程度评估的方法和数据处理装置

技术领域

本发明涉及基于听觉测量或加速度测量的滚动轴承的状态监控领域。

背景技术

已知可利用附在滚动轴承的轴承圈上的加速度传感器和/或振动传感器来检测在滚动体中或在滚道上的缺陷。可在与轴承集成为一体或附在轴承或轴承的外壳上的数据处理单元或者远程监控单元对传感器数据进行处理。

最初设想将轴承状态监控技术用于大型轴承(例如，风力发动机或火车)。现在轴承状态监控技术的应用领域随着小型化轴承的进步已经向更小尺寸的(例如，在卡车或汽车中使用的)轴承不断扩展并将进一步扩展。

从简单的、基于规则的自学习神经网络、特征提取和历史校准方法(诸如，新颖性检测(novelty detection))开始已经考虑过很多方法。然而，许多先进或“智能”的方法，虽然从学术观点令人印象深刻，但是缺乏跨行业现场经验，并且导致在工业实施中的复杂性。

在大多数情况下，所述方法涉及采用包络(已解调)振动信号的测量工具中的一个或多个工具。这些方法包括定量方法(诸如，整体振幅的检测)、定量统计(RMS、SD、方差)、计数、周期、自相关特性的使用、Hilbert空间分析或循环时间分析(CTA)。其它已知方法包括：定性方法(诸如，统计特性(峭度、CF等)或者基于贡献(CTA)部分或谐波含量的方法。

在所有类型的机器中影响状态监控(CM)的问题在于对于可靠的轴承缺陷检测(具体来说，当利用加速包络测量时)应配置何种级别的警告和报警(黄色和红色)阈值。利用较高频率范围的振动进行轴承损坏程度的定量(绝对振幅)评估的任何方法都受困于可使观察到的振幅放大或衰减的很多因素。

因此，在这些较高频率范围内，在一系列不同的应用甚至类似应用中使用固定量级的警报和警报阈值是不可行的，因此，必须使用单独的阈值，这需要很长时间的分析时间来对不同传感器和不同机器的这些阈值进行微调。

在轨道轴承监控(rail axle bearing monitoring)的情况下，可以看出，指示轴承具有明显缺陷的缺陷频率振幅根据轴承类型、车轴箱设计、传感器位置安装和传感器朝向从十分之gE变到超过10gE。在这种轨道应用中，常见的测量技术是为其安装无线传感器节点，当作为售后解决方案而安装该节点时，通常无法获得理想位置和朝向。此外，可以预期的是，这种RAG(红色黄色绿色)方法被合并到无线节点。

从车辆轴承采集的振动测量值通常包括大量的外部噪声，大部分外部噪声的出现与轮-轨的相互作用相关，这在不同的轨道应用、轨道、轮组(wheel set)和测量节点(传递函数不一致)中明显不同。这种外部噪声通常在使用“定量”严重程度方法和阈值时导致误报增加。同时，带有相似外部噪声的“相关”方法会导致漏报增加。根据CM分析师的观点或自动诊断系统方法，优选具有较少误报，即使是可能会导致更多漏报，并且相较于不是缺陷，当存在缺陷时CI值之间往往存在更为清晰的分离。

然而，到目前为止，这些方法都没有达到有经验的工程师的可靠性，即，在查看频谱过程中基于一系列谐波来检测出缺陷，以基于终端用户风险规范来评估其严重程度。

发明内容

本发明试图提供一种方法，所述方法是基于振动加速度包络(gE)测量的自动化轴承振动状态严重程度分级(SR)值且可靠性提高。本发明的另一目标是能够简单且不复杂地将这种方法应用于取决于应用的风险规格。

本发明的目的在于通过已知轴转速和轴承缺陷频率时使用加速度包络(或任何适合的解调加速度)测量来确定轴承是否可能具有滚道缺陷。

该目的通过以下方法来实现：基于轴承的旋转速度和被配置为测量轴承圈的振动的传感器获得的传感器数据中的至少一个数据样本来检测轴承缺陷严重程序的方法。所述方法包括以下步骤：通过应用傅里叶变换将所述数据样本从时域转换到频域以获得信号频谱；使用所述旋转速度来确定轴承的缺陷中心频率；识别信号频谱中的预定数量的频率峰值。

发明人提出对已知方法进行改进以检测轴承缺陷严重程序，包括以下步骤：确定包括所述预定数量的频率峰值的全部频带的总振动能量；针对频率峰值中的每个频率峰值，将峰值能量确定为信号分量中导致频率峰值的频谱能量；使用所述频率峰值的峰值能量，计算轴承缺陷频谱能量；使用所述轴承缺陷频谱能量与所述总振动能量的比率来评估轴承缺陷的严重程度。

根据本发明的方法被证明在不需要定制阈值的应用/安装中是可靠的，并且对传感器校准偏差和对定位衰减不敏感。

此外，本发明的突出特征是处理要求低，即保持传感器节点电量使用尽可能低，并且不需要高ADC要求(>16bit或>5120sps)。

根据本发明的方法或数据处理设备返回指示严重性和缺陷类型的少量单个总值，并且因此由于有限的传输功率要求而适合在无线传感器节点中实现。这进一步导致接收器端的复杂性。

根据本发明的频带百分比(PoBO)方法是将与轴承缺陷频率(其基波和若干谐波)相关的振动加速度包络(gE)频谱能量与宽带频率范围内的总能量进行比较的方法。为了便于解释和阈值配置，该比率通常表示为百分比值。

在计算与轴承缺陷相关的频谱能量时，通常使用缺陷频率的前3阶至5阶(谐波)。由于信号已经被包络，因此基本不需要高于5阶，如果速度不够精确或者在测量采集期间存在速度变化，则这将变成挑战。

在本发明的语境中，表述“能量”或“振动能量”将在广义上解释，并且特别覆盖经傅里叶变换的任何合适的二次形式的频谱的幅度，而不考虑任何前置因子或物理单位。

作为“相对”严重程度评估方法，根据本发明的方法具有以下优点：

(1)RAG/报警阈值在速度变化期间不需要改变。

(2)RAG/报警阈值在不同传感器之间不需要由于定位差别和方位差别而改变。

(3)相同的RAG/报警阈值在不同的传感器设计以及从货运到高速客运的铁路应用之间工作。

(4)当存在轮轨噪声时，误判率明显减少并且提高了趋势稳定性。

(5)与标准CM“定量”方法相比，提高了“正常”与“有缺陷”轴承之间的测量概率分布分离。

在本发明的优选实施例中，识别预定数量的频率峰值的步骤包括：搜索在包括缺陷中心频率的频带中的第一频率峰值并搜索在包括整数倍的所述缺陷中心频率的频带中的第二及其随后的频率峰值。

更优选地，识别预定数量的频率峰值的步骤包括：使用缺陷中心频率来确定第一宽度的预定数量的频带，其中，第一频带包括缺陷中心频率，第二频带及其随后频带包括将整数倍的缺陷中心频率作为它们各自的窗口中心频率；针对频带中的每个频带，确定在各自频带内的信号频谱的局部最大值；通过计算在所述局部最大值处的信号频谱的振幅和与局部最大值邻近的信号频谱的振幅的平方和来确定在所述频带中的每个频带内的信号频谱的峰值能量。在此背景下，邻近频率是用于数字处理的离散傅里叶频率集合中的相邻频率。

在本发明的优选实施例中，所述求和包括下一邻近频率。然而，在使用比峰值宽度小的频率分辨率的实施方案中，应该选择用于对与峰值相关的能量求和的频率的数量，使得覆盖整个峰值宽度。

以上方法还被称为“基础带宽搜索”方法，涉及针对缺陷频率的每个阶，搜索在搜索带宽/频带(即3％)内的最高频谱峰值。搜索带宽内的频谱峰值被定义为最高值窗口(bin)(或频率)，其中，所述最高值接收器的任一侧的接收器具有比它更低的值。

所述方法不检查这些频谱峰值在一阶与下一阶之间是否被精确对准，并因此已发现所述方法足够可靠，其中，已知轴速度以及轴承缺陷频率，在这种情况下，搜索带宽可保持较窄(<＝2％)。

然而，在轴速度精确度不精确的情况下，需要使用更宽的搜索带宽(即>3％)来捕获缺陷频率，但这也增加了从也在搜索带宽内的其它源选择频谱峰值的概率，并因此导致比实际错误率更高的PoBO值。

作为用于识别频率峰值的可替代方法，发明人提出了另一种方法，所述方法在下文中被称为“扫描搜索”。

尽管“基本带宽搜索”更容易利用有限处理能力来实现，但是在噪声环境(特别是在存在其它谐波分量的情况下)下，“扫频搜索”被认为是更可靠和准确的。

不管如何确定缺陷频率分量，一般过程仍然是相同的。

“扫描搜索”方法涉及扫描最高阶缺陷频率搜索带宽中的每个窗口，并计算每个窗口步骤的第一窗口振幅或第三窗口RSS，并假设其为峰值，并且对于相应的低阶匹配窗口执行步骤相同。对于每个扫描步骤，确定所有阶的值的RSS或SUM。然后选择显示最高振幅作为最有代表性的缺陷的扫描步骤。

这种“扫描搜索方法”识别出：作为准确谐波阶次的系列窗口具有最大能量值。因此，如果存在具有谐波的真实缺陷分量，则存在于缺陷阶次的搜索带宽之一内的单个离群(非缺陷相关)分量将被降低被选中的概率。

在本发明的优选实施例中，计算轴承缺陷频谱能量的步骤包括：计算所述峰值能量的和、加权和或平方根之和(root sum square)。

本发明还提出：确定全部频带的总振动能量的步骤包括：计算在所述频带内的信号频谱的振幅平方根之和(root squared sum)。

根据另一方面，全部频带的上限和下限是从存储装置读取的取决于应用的设置。

还提出：所述方法包括以下步骤：将所述比率与至少两个阈值进行比较，从而将缺陷严重程度归类为至少三种等级；输出结果。严重程度等级可直接分配或例如在应用磁滞或“a超出b”方法之后间接分配给RAG级别。

在本发明的优选实施例中，所述至少两个阈值是从存储装置读取的取决于应用的设置。能够整体计算地选择/配置用于参考的“频带”提高了趋向稳定性(trend stability)并减少了漏报率(False-Negative)。

优选地，将缺陷特异性的PoBO值计算为“缺陷振幅”/“频带总振幅”×100的比率。

如果期望确定轴承的一般条件，则所述方法可被概括为覆盖对结果稍有不同的权重的多个不同缺陷类型(内圈、外圈、滚动体、保持架)。以下仅对一些进行了描述：

(1)用户或系统仅选择最差(最严重)的缺陷RAG(绿色、黄色或红色)状态。

(2)通用PoBO值也可通过执行多个不同缺陷类型的PoBO值的RSS来确定，此外可能需要确定合适的“通用RAG阈值”。

(3)通过执行所有缺陷“缺陷振幅”的RSS，随后执行“频带整体”计算的百分比来计算“所有缺陷振幅”。将需要确定合适的“通用RAG阈值”。

在计算轴承缺陷频谱能量(例如，SUM而不是RSS)的步骤中可以使用不同的权重。本领域技术人员将选择在具有不同噪声内容的环境中提供最可靠结果的方法。

对于可忽略任何运转速度噪声(1xN等)的固定速度应用场景中，“总频带”的BPFO、BPFI、BSF和FTF CI可相同。但是如果运转速度噪声(1xN等)具有某些影响，则应该选择整个频带的BPFO，BPFI和BSF的下限来至少避免1xN和2xN。这对于经常存在车轮间噪声的轨道车轴轴承应用是非常重要的。

虽然总值的频谱的完整(避免零频率)RSS运行相当好，但是发明人已经发现，避免低频轮噪声的较窄的整体频带确实提供稍微更好的可靠性的结果(对存在的轮噪声不太敏感)。

然而，在轨道轴承应用中，为振动测量选择的速度范围可以从额定最大速度的50％变化到100％。低于50％，由缺陷产生的能量值可能较小并且经常具有测量由于噪声存在的增加部分。在从货运、地铁到高速客运的大部分铁路应用中，大部分合适的获取测量将在该路线上的该列车的额定最大速度的50％和100％之间。

在本发明的可替换实施例中，整个频带取决于轴承速度，例如2.5x RPM。已经发现这可以减少由于轮轨噪声引起的漏报量。

尽管发现通用PoBO RAG配置比大多数标准CM检测/严重程度方法更可靠，但是可通过采用所述方法参数中的若干参数的配置来对通用PoBO RAG配置进行明显改善以适应特定应用。需要理解的是，无论应用如何操作，需要速度精度以及背景噪声量和背景特性。可提高对于轨道轴承的检测和RAG评估的可靠性的典型配置变化是：

1)提高速度精度

a)减少延迟

b)起始速度、终止速度和平均速度

c)从GPS地面速度计算的车轮直径

2)速度控制

a)在预定速度范围内(正常巡航)

b)Delta速度低于预定值

3)位置触发

a)在好的轨道段上的路边或GPS位置触发

本发明可适用于包括滚动轴承、滚珠轴承、圆环滚子轴承或滚针轴承的任何类型的滚动接触轴承。

所述方法适合于具有足够的信噪比的任何包络的、解调的、异频振动信号，特别地但不排他地加速度包络带-3频谱信号。

对于每个轴承缺陷，计算与该缺陷频率的预定数量的阶次相关联的能量，然后将其转换到相对于来自预定频带的“总”能量的相对百分比值。

在优选实施例中，确定峰值等级的步骤包括：计算所述比率的对数。所述对数产生分贝(dB)标度，所述分贝标度反映人的感知并且已知适于区分背景波动，并且采用适应于用户要求的阈值级别变得更加透明和方便。

根据本发明的另一方面，所述方法包括以下步骤：对于每个所述峰值级别中的每个级别，将所述比率与第一预定的下限阈值进行比较，如果所述比率小于第一预定的下限阈值，则将峰值级别设置为零。应该设置下限阈值，以便排除由随机波动产生的峰值伪差，并且不会或不可能影响严重等级。

发明人还提出：所述方法包括以下步骤：计算所述峰值级别的和或加权和并输出与轴承缺陷的严重等级的结果等比例的量。已经发现，可通过不仅集中在峰值中的一个峰值而且进一步集中在峰值的更高谐波上来提高所述方法评估严重程度的可靠性。

根据本发明的优选实施例，所述方法包括以下步骤：计算所述峰值级别的和、加权和或平方根之和；将所述结果与至少两个阈值进行比较，从而将缺陷严重程度归类为至少三种等级；输出结果；

在本发明的优选实施例中，所述至少两个阈值是从存储装置读取的取决于应用的设置。所述至少两个阈值能够归类为严重程度的红色-黄色-绿色(RAG)级别，其中，所述级别的含义如下：

红色＝在短期内高于风险阈值

黄色＝高于中/长期的风险阈值

绿色＝无动作。

根据本发明的另一方面，确定在预定数量的整数倍的所述缺陷中心频率的附近的信号频谱的峰值振幅的步骤至少包括三个步骤，如下。第一步骤：设置使用缺陷中心频率的预定数量N的第一宽度的频带，其中，第一频带包括缺陷中心频率，第二及其随后频带包括将整数倍的缺陷中心频率作为它们各自的窗口中心频率。在本发明的优选实施例中，倍数是直至最大值的顺序自然数，优选在3和5之间。第二步骤：针对频带中的每个频带，确定在各自的频带内的信号频谱的局部最大值。第三步骤：使用在所述局部最大值处的信号频谱的振幅来确定在所述频带中的每个频带内的信号频谱的峰值振幅。针对峰值检测的数据处理可因因此集中到有限集合的频带。

对于该应用的典型CM配置的加速度包络(gE)频带3(500Hz至10kHz)测量应该设置为FMax在预期速度范围的最高速度时至少涵盖高达5倍的BPFI，特别是对于铁路应用。

为了确保可靠结果，优选速度测量具有5％或更小的精度，最优选2％或更小的精度。可速度可以基于GPS速度除以轮胎直径来计算。

测量的可靠性可以通过将测量控制在特定的、取决于应用的速度带或者通过例如经由使用GPS将测量控制在速度稳定性(起始端增量速度)、位置相关控制而被提高。

在本发明的优选实施例中，传感器数据是从500Hz至10kHz的频带内的加速度包络(gE)频带-3数据。

状态监控结果的质量可通过采集触发(即，仅运行在跌路轨道的好的轨道段时使用的数据)和/或通过对设定数量的缓冲测量进行统计过滤来进一步改进。此外，频带可以限于轴承缺陷频率的周围，其中，相关频带限定地越可以更精确，则可越准确地预测轴承缺陷频率。

本发明的另一方面涉及一种被配置为执行上述方法的数据处理装置。

在本发明的优选实施例中，数据处理装置被集成在附着在轴承特别是铁路轴承的无线传感器节点中。

本发明的另一方面涉及一种滚动轴承，所述轴承包括被配置为测量轴承圈的振动的传感器和以上提到的数据处理装置，其中，所述数据处理装置被配置为按照上述方法对由所述传感器获得的传感器数据的数据样本进行处理。

最后但并非最不重要，本发明提供一种用于包括至少一个滚动轴承、用于测量滚动轴承圈中的至少一个圈的振动的传感器和对以上数据进行处理的数据处理装置的机器或复杂装置的状态监控系统以使用从传感器获得的振动数据来确定振动状态严重级别。当传感器必须位于与轴承圈足够近的机械接触以测量其上的振动时，数据处理装置可位于远处，例如，在机器的驾驶室内。

根据本发明的优选实施例的振动严重程度模型提供了一种基于振动加速度包络(gE)测量的自动化轴承振动状态严重程度分级(SR)值，优选地仅基于gE测量，然后取决于终端用户风险规格，所述规格将这样的严重程度分级转换到红色、黄色和绿色(RAG)类别。在稍后阶段，可以将统计、磁滞或状态逻辑应用于RAG，以提高特别是在从变化或噪声环境获取测量的情况下的可靠性。

通过他们的经验，发明人已针对轴承功能故障的早期使用加速度包络(gE)测量建立了基于较小振幅和更定性的有用的严重级别标准。

由于创建和验证红色黄色绿色(RAG)严重程度算法的时间尺度和轴承类型(即，客运轨道)，本发明提供了一种能够以短延迟处理数据的自动化实现方式。

本发明的上述实施例以及权利要求和附图以特定组合示出了本发明的多个特征。本领域技术人员将能够容易地考虑到将这些特征进一步组合或这些特征的子组合，以使如权利要求中所限定的本发明适于他或她的具体需要。

附图说明

图1是根据本发明的配备有状态监控系统的机器的示意图；

图2是根据本发明的检测轴承缺陷严重程度的方法的流程图；

图3是具有缺陷中心频率和相关频带的谐波的信号光谱。

具体实施方式

图1是包括轴承10的机器的示意图，轴承10具有内圈10a、外圈10b和布置在内圈10a与外圈10b之间的至少一排滚动体10c，其中，滚动体10c在内圈10a的内滚道和外圈10b的外滚道上滚动。轴承10配备有加速度传感器12，加速度传感器12被配置为测量轴承10的外圈10b的振动。

所述机器配备有根据本发明的状态监控系统，所述状态监控系统包括传感器12、数据处理装置14和信号输出装置12(诸如，警告灯或监控器)。由传感器12获得的传感器数据包括背景噪声和经过滚动体12c的规则的、准周期性的、频率负载相关的贡献。

在图1的实施例中，数据处理装置14通过线路连接到传感器12。然而，传感器数据可以以无线方式发送或者数据处理装置14可连同传感器12集成为单个单元，其中，数据处理的结果(缺陷严重程度分级)可经由设置在所述单元中的和/或使用有线或无线数据连接的灯或LCD显示器输出。

在内圈10a的内滚道上、外圈10b的外滚道上或滚动体10c之一的滚动表面上存在缺陷的情况下，该缺陷会生成声激波(acoustic shock wave)，该声激波从外圈10b扩散至传感器12并导致传感器信号中的峰值。

这些峰值以固有频率周期性地重复，其中，所述固有频率与轴承圈的相对旋转速度成比例并且取决于缺陷的性质。从外滚道上的缺陷产生的冲击波的重复率是外圈故障频率(BPFO)，从内滚道上的缺陷产生的冲击波的重复率是内圈故障频率(BPFI)，从滚动体表面上的缺陷产生的冲击波的重复率是滚动体旋转故障频率(BSF)。在这些重复率与轴承运转速度(RPM)之间的比例系数也被称作运转速度的阶DO，并且该比例系数取决于各种直径并可利用几何考虑而推断出。

以下描述受限于在外滚道上的缺陷的严重程度的检测和评估，但是如果期望，本发明可很容易地延伸至其它缺陷类型或组合的多种缺陷类型。

图1的状态监控系统的数据处理装置14读取由传感器12获得的传感器数据的数据样本，并使用根据本发明的用于检测轴承缺陷严重程度的方法来处理这些数据样本，这将在图2中更详细地示出。

在步骤100，数据处理装置14获得轴承的旋转速度(RPM)，并在步骤S100，获得由振动传感器12获得的传感器数据中的长度为2^N的数据样本。可由数据处理装置14从传感器数据中推断出旋转速度(例如，通过测量BPFO并从中计算旋转速度)，或者可单独地提供旋转速度。

所述方法随后继续进行可选预处理(滤波、汉宁窗等)的步骤S101，并随后将所述数据样本通过应用傅里叶变换(优选快速傅里叶变换)从时域转换到频域以获取信号频谱。

在本发明的一个实施例中，传感器数据可作为2^N个样本(S)和数秒的采集时长(t)的gE波形被输入。所述输入通过先应用汉宁窗随后应用返回幅值阵列(FFT_M)的快速傅里叶变换(FFT)从时域转换到频率。如果需要的话，结果可选择性地进行缩放或利用校正因子。

所产生的数据频谱具有很多FFT值V＝S+1，奈圭斯特频率(最后值)F＝S/(t x2)并且每行FFT的delta频率Fd＝1/t(注意，第一值为0赫兹)。

在接下来的步骤S102，所述方法利用旋转速度RPM通过使如上所述获得的旋转速度乘以预定比例系数DO检测出轴承10的缺陷中心频率CF。

在设置有轴承缺陷(诸如BPFO和BPFI)的情况下，运转速度的阶为DO，RPM的速度为N，轴承缺陷频率由下式确定：

缺陷中心频率(赫兹)：CF＝DO xN/60

所述方法随后继续进行步骤S103，并计算至少包括缺陷中心频率CF及其五倍值5xCF的全部频带的总振动能量。

所述方法随后在步骤S104限定将被分析的频带W1至W5的序列，以便识别出在预定整数倍的所述缺陷中心频率的周围的信号频谱的峰值振幅。

为此，设置使用缺陷中心频率CF的预定数量N的第一宽度的频带。第一频带W1包括缺陷中心频率CF，第二以及随后的频带W2、…、W5包括将整数倍的缺陷中心频率2xCF、…、5xCF作为它们各自的窗口中心频率。频带W1至W5的宽度被表示为各个窗口中心频率CF至5xCF的百分比，在可选实施例中，还可具有其它的函数依赖或者信号的样本长度、采样率和/或时间间隔。

在本发明的优选实施例中，倍数是最大为5的自然数，即，窗口中心频率与BPFO、2*BPFO、3*BPFO、4*BPFO和5*BPFO。通常，通过仅考虑缺陷的基波分量/频率的前五阶，可获得在确定轴承的滚道缺陷严重程度的满意结果。

换句话说，内设置有百分比+/-带宽(BW)来提取1阶缺陷振幅和2阶缺陷振幅，频带W1至W5的边界作为FFT振幅矩阵索引由下式给出：

1阶低边界BL1＝ROUND(CF x(1–BW/100)/Fd)

1阶高边界BH1＝ROUND(CF x(1+BW/100)/Fd)

2阶低边界BL2＝ROUND(2x CF x(1-BW/100)/Fd)

2阶高边界BH2＝ROUND(2x CF x(1+BW/100)/Fd)

直至第五阶。

图3中示出具有缺陷中心频率CF和相关频带W1至W5的谐波的典型信号频谱。

如果严重程度评估是针对多种缺陷类型并行执行，则可针对DO的相关值重复执行步骤S102和S103。

在图2中的步骤S105，可针对频带W1至W5中的每个频带确定在各个频带W1至W5内的信号频谱的局部最大值并识别为频率峰值。如果在表示频谱的阵列数据中的振幅具有比该值小的两个临近值，则检测出局部最大值。如果波动宽度高，则可在定位最大值之前使用适当的滤波器对所述数据进行预处理。位于频带的边缘的最大值应被丢弃。

在优选实施例中，按照如下步骤来实现局部最大值的检测：

在如上定义的每个频带内，计算在边界内的最高峰值的两个最高相邻值的平方根之和(Root Sum Squared,RSS)。

为了避免选择频带的边界的边缘值作为峰值(诸如，当边界处于谷地)，如果在频带内的最高值是边缘值之一，则该值转变为0。

这将重复执行：如果在频带内的最高值是边缘值之一，则该值也转换到0。

剩余最高值被认为是峰值最大值。

另外，以上描述的“扫描搜索”方法可被用于识别频带内的最大值。

一旦识别出最大值，则使用在所述局部最大值处的信号频谱的振幅来确定在每个所述频带内的信号频谱中的每个频率峰值的峰值能量。可通过计算在窄频带(频带中心为局部最大值)的振幅集合的平方和来计算峰值，例如，最大振幅和在其两个邻近频率窗口的振幅的平方和。

其它已知的峰值识别算法可用在本发明的可替换实施例中。

用于峰值检测和峰值能量计算的数据处理可因此被集中在有限集合的频带。针对在步骤104中识别出的频率峰值中的每个频率峰值来执行所述峰值能量计算。

在随后的步骤S107，使用频率峰值的所述峰值能量通过对各个峰值能量求和来计算轴承缺陷频谱能量以及轴承缺陷频谱能量与总振动能量之间的比率。

在严重程度评估步骤S108，比率作为严重程度级别输出到存储装置、数据记录器(data logger)或远程状态监测服务器。

随后将所述比率与至少两个阈值进行比较，从而将缺陷严重程度归类为至少三个严重程度等级，并将结果输出。所述至少两个阈值是从存储装置读取的取决于应用的设置。

所述至少两个阈值能够将缺陷严重程度归类为严重程度的红色-黄色-绿色(RAG)等级，其中，绿色等级对应于比两个阈值都低或等于两个阈值中的下限的值，黄色等级对应于在两个阈值之间的值，红色等级与包括这些阈值中的较高阈值的阈值都高的值。

可以改变这些阈值以适合与特定应用相关的所述可接受的风险级别，并具有可靠的检测/诊断，即具有适当低的漏报和误报。

发明人还提供了一种根据本发明通过将合适警报或RAG状态逻辑应用到最新的数据集(最后几次测量)来提高状态监控警报方法的可靠性。可通过统计方法(即，分布)、通用“输入输出滞后(IN and OUT hysteresis)”或“最大程度”5、7、11方法来实现这些。由于在监控轨道车轴轴承时测量中的车轮间轨道噪声的类型和发生分布，“最大程度”方法已证明比“输入输出滞后”方法更令人满意。

严重程度分级值通过算法根据测量特性确定并且范围从1(新)到10(轴承损坏)。RAG级别通过另一种算法根据SR值、应用(考虑测量位置、缺陷敏感性、速度、载荷等)以及由终端用户或应用标准提供的可接受的操作风险限度来确定。操作风险定义为在给定操作期内的“功能故障”的概率乘以这种“功能故障”的后果，通常表示为财务价值或作为概率x后果的3x3至5x5矩阵的结果。

本发明提供了一种用于状态监控的可靠数据处理方法，该方法适用于来自已知用于获得乘客轨道车轴轴承数据、货车端盖传感器数据的传感器单元或为了售后目的的改进传感器单元的gE频带3数据。本发明适用于采用加速包络频带-3标准的任何状态监测系统，并且可以转移到用于轴承的其它传感器节点。本发明通过检测轴承的外滚道或内滚道上的缺陷以及通过保持架缺陷或完整性问题检测先进的轴承故障，能够在早期检测轴承滚道故障。此外，本发明能够可靠地检测滚动元件缺陷。此外，本发明能够可靠地检测滚动元件缺陷。

作为输出，本发明提供可靠的gE测量严重程度分级，例如，从1到10以及严重程度分级的红色，黄色，绿色归类，其中：

通过简单地设置所采用的阈值，可以通过简单的方式将严重程度分级和红色、黄色、绿色归类适应于取决于应用的风险规范。

Claims (12)

1.一种检测轴承缺陷严重程度的方法，其基于轴承(10)的旋转速度和被配置为测量轴承圈(10b)的振动的传感器(12)获得的传感器数据中的至少一个数据样本来进行检测，其中，所述方法包括以下步骤：

a.通过应用傅里叶变换将所述数据样本从时域转换到频域以获得信号频谱；

b.使用所述旋转速度来确定所述轴承的缺陷中心频率；

c.识别所述信号频谱中的预定数量的频率峰值；

所述方法的特征在于，还包括以下步骤：

d.确定包括所述预定数量的频率峰值的全部频带中的总振动能量；

e.针对频率峰值中的每个频率峰值，将峰值能量确定为信号分量中导致频率峰值的频谱能量；

f.使用所述频率峰值的峰值能量，计算轴承缺陷频谱能量；以及

g.使用所述轴承缺陷频谱能量与所述总振动能量的比率来评估轴承缺陷的严重程度。

2.如权利要求1所述的方法，其特征在于，识别预定数量的频率峰值的步骤包括：搜索在包括缺陷中心频率的频带中的第一频率峰值，并搜索在包括整数倍的所述缺陷中心频率的频带中的第二频率峰值及其随后的频率峰值。

3.如权利要求1所述的方法，其特征在于，识别预定数量的频率峰值的步骤包括以下步骤：

a.使用缺陷中心频率来确定第一宽度的、预定数量的频带，第一频带包括缺陷中心频率，第二频带及其随后频带包括整数倍的缺陷中心频率，所述整数倍的缺陷中心频率作为所述第二频带及其随后频带各自的窗口中心频率；

b.针对频带中的每个频带，确定在各自频带内的信号频谱的局部最大值；

c.通过计算在所述局部最大值处的信号频谱的振幅和与所述局部最大值邻近的信号频谱的振幅的平方和，确定在所述频带中的每个频带内的信号频谱的峰值能量。

4.如权利要求1至3中任一项所述的方法，其特征在于，计算轴承缺陷频谱能量的步骤包括：计算所述峰值能量的和、加权和或平方根之和。

5.如权利要求1至3中任一项所述的方法，其特征在于，确定全部频带的总振动能量的步骤包括：计算在所述频带内的信号频谱的振幅之平方根之和。

6.如权利要求1至3中任一项权利要求所述的方法，其特征在于，全部频带的上限和下限是从存储装置读取的、取决于应用的设置。

7.如权利要求1至3中任一项权利要求所述的方法，其特征在于，还包括以下步骤：

a.将所述比率与至少两个阈值进行比较，从而将缺陷严重程度归类为至少三种等级；

b.输出结果。

8.如权利要求7所述的方法，其特征在于，所述至少两个阈值是从存储装置读取的、取决于应用的设置。

9.一种数据处理装置(14)，其被配置为执行如上述权利要求中的任一项权利要求所述的方法。

10.一种滚动轴承，其包括被配置为测量轴承圈(10b)的振动的传感器(12)和如权利要求9所述的数据处理装置(14)，其特征在于，所述数据处理装置(14)被配置为根据权利要求1至8中的任一权利要求所述的方法对所述传感器（12）获得的传感器数据的数据样本进行处理。

11.一种状态监控系统，其用于监测包括配备有传感器(12)的至少一个轴承(10)的机器，所述传感器(12)被配置为测量轴承圈(10b)的振动，所述系统包括权利要求9所述的数据处理装置(14)，其特征在于，所述数据处理装置(14)被配置为根据权利要求1至8中的任一项权利要求所述的方法对由所述传感器(12)获得的传感器数据的数据样本进行处理。

12.一种包括配备有传感器(12)的至少一个轴承(10)和如权利要求11所述的状态监控系统的机器，其特征在于，所述状态监控系统的数据处理装置(14)被配置为对由所述传感器(12)获得的传感器数据的数据样本进行处理。

Images