CN209783909U - 一种滚动轴承多阶段故障预判系统 - Google Patents
一种滚动轴承多阶段故障预判系统 Download PDFInfo
- Publication number
- CN209783909U CN209783909U CN201920550187.0U CN201920550187U CN209783909U CN 209783909 U CN209783909 U CN 209783909U CN 201920550187 U CN201920550187 U CN 201920550187U CN 209783909 U CN209783909 U CN 209783909U
- Authority
- CN
- China
- Prior art keywords
- bearing
- vibration sensor
- fault
- rolling bearing
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract description 13
- 230000005611 electricity Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Abstract
本实用新型涉及一种滚动轴承多阶段故障预判系统，属于滚动轴承故障检测技术领域，通过设置工控机以及振动传感器，所述振动传感器设置于轴承的外表面，所述工控机通过数据采集器与所述振动传感器电连接，所述数据采集器将从振动传感器采集到的数字信号转换成模拟信号输送至工控机，即可分析出轴承的故障。该滚动轴承多阶段故障预判系统操作简单，性能稳定，能准确预判及发现滚动轴承的故障点，极大的降低了滚动轴承类设备的维修费用，节约了成本，是一种非常可靠的滚动轴承诊断系统。
Description
技术领域
本实用新型属于滚动轴承故障检测技术领域，特别涉及一种滚动轴承多阶段故障预判系统。
背景技术
现有转动设备故障诊断的处理方法，大部分都采用高采样频率的IEPE有源振动传感器测得实时的振动数据(振幅随时间变化而变化)经过傅里叶转换后取得频谱图(振幅随频率变化而变化)来进行分析。这种方式在监测滚动轴承的故障预判的运用上往往是失效的，无法侦察出轴承出现了故障，或者发现故障时已经到了轴承损坏的末期。
事实上，当滚动轴承上出现一个局部缺陷，每次在载荷作用下与轴承其他表面接触时，都会产生一组振动冲击脉冲。这股脉冲将产生一系列的调制波形，使轴承的自振频率被间隔频率所调制，如果直接进行频谱分析，谱线中只会形成以调制频率为间隔的边频带。但是由于脉冲频率能量很低，往往会被其它振动信号所淹没，寻找间隔频率是很困难的。同时，转动设备的滚动轴承在不同的阶段所表现出来的振动特性是不相同的，对于最早期的超声阶段，由于振动能量不高，特征不明显，而在故障后期轴承失效接近尾声时，轴承的故障特征频率和固有频率会被随机宽带高频“振动噪声”所淹没。因此，为滚动轴承故障诊断分析带来了极大的困难和挑战。
因而，可认为，针对轴承故障的预判，需要在进行频谱分析之前，将振动信号先经过共振解调法处理，则故障特征频率在频谱图上就能清晰可辨了。而现有采用的频谱，只是采用傅里叶转换的算法，这种算法只能将共振作为故障特征频率的幅值调制，而无法获得故障频率，因而无法检测到受共振激励的故障存在，也就不能诊断出轴承出现故障的部件。
同时针对轴承故障的振动信号，普通的频谱的分析还会出现信号混淆、变频遗漏等问题，
因而需要一种新的针对轴承故障的预判系统，清晰地获取轴承各部件的故障频率，以确定哪个位置出现了哪个阶段的故障，且为轴承的早期故障预知提供技术支持。
实用新型内容
为了克服现有技术的缺陷，本实用新型提供了一种滚动轴承多阶段故障预判系统，通过设置工控机以及振动传感器，所述工控机通过数据采集器与所述振动传感器电连接，数据采集器将振动传感器的数字信号转换成模拟信号，输送至工控机，即可分析出轴承的故障。
实现上述目的的技术方案是：
本实用新型提供一种滚动轴承多阶段故障预判系统，包括工控机和振动传感器，所述振动传感器设置于轴承的外表面，所述振动传感器连接有数据采集器，所述工控机通过所述数据采集器与所述振动传感器相连。
本实用新型一种滚动轴承多阶段故障预判系统的进一步设置为，所述数据采集器与所述振动传感器电连接用以采集所述振动传感器的数字信号。
本实用新型一种滚动轴承多阶段故障预判系统的进一步设置为，所述工控机与所述数据采集器电连接用以接收所述数据采集器的模拟信号。
有益效果：同现有技术相比，本实用新型的不同之处在于，本实用新型提供的一种滚动轴承多阶段故障预判系统，通过设置工控机以及振动传感器，所述振动传感器设置于轴承的外表面，所述工控机通过数据采集器与所述振动传感器电连接，所述数据采集器将数字信号转换成模拟信号输送至工控机，即可分析出轴承的故障。该滚动轴承多阶段故障预判系统操作简单，性能稳定，能准确预判及发现滚动轴承的故障点，极大的降低了滚动轴承类设备的维修费用，节约了成本。
附图说明
图1为本实用新型一较佳实施例的滚动轴承多阶段故障预判系统示意图。
具体实施方式
下面结合附图和具体实施例对本实用新型作进一步说明。
参阅图1所示，本实用新型提供一种滚动轴承多阶段故障预判系统，包括工控机1和振动传感器2，所述振动传感器2设置于轴承4的外表面，所述振动传感器2连接有数据采集器3，所述工控机1通过所述数据采集器3与所述振动传感器2相连。
作为优选而非限定，所述数据采集器3与所述振动传感器2电连接用以采集所述振动传感器2的数字信号。
作为优选而非限定，所述工控机1与所述数据采集器3电连接用以接收所述数据采集器3的模拟信号。
该滚动轴承多阶段故障预判系统的工作原理为：
轴承的故障通常是分阶段，分部位的。阶段不同，频谱的性质不同；部位不同，出现的故障频率也不相同。
首先，滚动轴承故障主要分为四个阶段：第一阶段属于超声阶段，频率非常高，频谱图中除了转频还有倍频，这部分故障频率发生在10kHz以上；第二阶段主要是时间极短的脉冲激励起滚动轴承各部件的固有频率阶段，这个阶段对应的频率也高，但低于第一阶段，约3～4kHz；第三阶段是出现少量局部缺陷，频谱图中存在明显的故障特征频率；第四阶段出现大量缺陷，频谱图中的轴承故障特征频率开始消失，取而代之的是宽带的随机特征。由于处在不同的阶段，时域与频谱特征都不相同，对应的频率范围也不相同。
其次，不同部分出现故障，频谱图上会出现不同的故障频率；
其中：
其中：n为钢球个数，d为钢球直径，D为轴承直径，α为钢球接触角。
前已述及，滚动轴承出现局部缺损时，振动时会出现振动冲击。因为这个冲击作用时间极短，远小于相邻两个冲击之间的时间间隔，因此，它的能量将分布在极宽的频率范围内，结果是它将激起轴承各部件和周围结构的固有频率。这个激励是重复的，因为故障缺陷与其他接触面的接触是周期性的。冲击出现的频率也称为轴承故障特征频率。人们经常认为共振受故障特征频率的幅值调制，这样就不能检测到受共振激励的故障存在，也不能诊断出轴承出现故障的部件。本发明的这款诊断系统采用包络分析方式来提取出周期激励或共振中的幅值调制。事实上，包络算法的方式有很多：包括基于平方解调的方法、基于希尔伯特变换的方法等，我们通过对大量实测数据进行不同原理的包络分析，最终决定采用希尔伯特包络。应用大量算法的过程中，明显发现，基于平方解调的包络方式计算过程非常复杂，因为平方解调的基本思路是积化和差的过程：平方相当于两个信号(假设为正弦信号)的乘积，从而能得到它们的和频(高频)与差频(低频，如拍频就是两个信号的差频)；然后再低通滤掉高频的和频，对滤波后的低频信号进行FFT分析得到解调谱，整个计算过程非常复杂，使得运算时间相对较长。本发明尝试采用基于希尔伯特的包络分析，其基本思想是通过对采样的实值时域信号进行希尔伯特变换，得到以采样的时域信号作为实部、其希尔伯特变换作为虚部，二者构成解析信号，解析信号的幅值就是信号的包络曲线；对包络进行低通滤波，作FFT求出包络谱，得到包络频率。
当时域数据经过希尔伯特转换后，再通过快速傅里叶变换(FFT)，以降低由于数字滤波器产生的相位延迟。对于希尔伯特后的数据进行FFT计算，每帧数据点数都是2的n次幂，因此，数据点数都是偶数，这就保证了相量能成对出现。基于FFT的希尔伯特变换分三步：
第一步，对有限偶数个采样点的输入数据进行FFT变换，以便得到信号中包含的正负相量。
第二步，对正方向的相量旋转-90度(乘以虚数单位-j)；对负方向的相量旋转90度(乘以虚数单位j)。这相当于交换了信号的实部与虚部。
第三步，准备数据用于快速傅里叶逆变换计算(IFFT)，然后进行逆变换到时域。最终获得完整的调制解调后的时域及频域波形。
调制后的振动波形可以清晰地确定故障发生在前期、中期还是末期，以及精确获取故障位置。以故障阶段及故障点来指导维修或更换方案。
以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。
Claims (3)
1.一种滚动轴承多阶段故障预判系统，包括工控机和振动传感器，其特征在于：所述振动传感器设置于轴承的外表面，所述振动传感器连接有数据采集器，所述工控机通过所述数据采集器与所述振动传感器相连，所述数据采集器采集得到的时域数据经过希尔伯特转换后，再通过快速傅里叶变换。
2.如权利要求1所述的滚动轴承多阶段故障预判系统，其特征在于：所述数据采集器与所述振动传感器电连接用以采集所述振动传感器的数字信号。
3.如权利要求1所述的滚动轴承多阶段故障预判系统，其特征在于：所述工控机与所述数据采集器电连接用以接收所述数据采集器的模拟信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201920550187.0U CN209783909U (zh) | 2019-04-22 | 2019-04-22 | 一种滚动轴承多阶段故障预判系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201920550187.0U CN209783909U (zh) | 2019-04-22 | 2019-04-22 | 一种滚动轴承多阶段故障预判系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN209783909U true CN209783909U (zh) | 2019-12-13 |
Family
ID=68803526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201920550187.0U Expired - Fee Related CN209783909U (zh) | 2019-04-22 | 2019-04-22 | 一种滚动轴承多阶段故障预判系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN209783909U (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098094A (zh) * | 2020-09-27 | 2020-12-18 | 上海数深智能科技有限公司 | 一种低速重载轴承故障振动诊断的方法 |
| CN112964468A (zh) * | 2021-02-05 | 2021-06-15 | 河钢乐亭钢铁有限公司 | 一种酸轧生产线卧式活套车车轮轴承状态监控方法及装置 |
-
2019
- 2019-04-22 CN CN201920550187.0U patent/CN209783909U/zh not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098094A (zh) * | 2020-09-27 | 2020-12-18 | 上海数深智能科技有限公司 | 一种低速重载轴承故障振动诊断的方法 |
| CN112964468A (zh) * | 2021-02-05 | 2021-06-15 | 河钢乐亭钢铁有限公司 | 一种酸轧生产线卧式活套车车轮轴承状态监控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
| CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
| RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
| Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
| CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
| Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
| Lei et al. | Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs | |
| Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
| Li et al. | A new strategy of using a time-varying structure element for mathematical morphological filtering | |
| CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
| CN104819766A (zh) | 基于谐噪比的包络解调频带确定方法 | |
| CN209783909U (zh) | 一种滚动轴承多阶段故障预判系统 | |
| CN103471848A (zh) | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 | |
| Yu et al. | A new morphological filter for fault feature extraction of vibration signals | |
| CN104316323A (zh) | 基于周期靶向的最优共振频带确定方法 | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| WO2020057066A1 (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
| Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
| Kedadouche et al. | Monitoring machines by using a hybrid method combining MED, EMD, and TKEO | |
| Xu et al. | Caputo-Fabrizio fractional order derivative stochastic resonance enhanced by ADOF and its application in fault diagnosis of wind turbine drivetrain | |
| Qu et al. | Development of a new acoustic emission based fault diagnosis tool for gearbox | |
| CN204346711U (zh) | 一种基于振动检测的便携式轴承故障诊断装置 | |
| CN108802200B (zh) | 一种基于二次曲线边界盲孔的声发射信号增强方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191213 |