[发明专利]一种滚动轴承性能退化评估装置及方法

说明书

技术领域

一种滚动轴承性能退化评估装置及方法，属机械产品质量可靠性评估与故障诊断技术领域。

背景技术

随着工业需求的快速发展，机械设备不断在复杂、高效、轻型等方面进行改进，同时也面临更加苛刻的工作环境。一旦设备的关键部件出现故障，就可能会影响整个生产过程，造成巨大的经济损失，甚至会导致人员伤亡等问题。因此，设备维修体制正由传统的定期维修或事后维修向基于状态的视情维修转变，而作为建立合理维修策略的前提，设备性能退化评估也开始备受关注。

滚动轴承作为旋转机械中的关键零部件之一，其性能状态的好坏直接影响整台设备的运行可靠性。一般来说，滚动轴承在使用过程中都会经历从正常到退化直至失效的过程，而这期间通常要经历一系列不同的性能退化状态。如果能够在滚动轴承性能退化的过程中监测到轴承性能退化的程度，那么就可以有针对性地组织生产和制定合理的维护计划，防止设备异常失效的发生。

目前，工程上常用时域指标来监测滚动轴承的运行状态。时域指标中的稳定性指标(如均方根值、方根幅值等)会随着故障发展而逐渐增大，但无法判断初始损伤的位置。而敏感性指标(如峭度指标)虽可以识别初始损伤的位置，但随着故障的发展会呈现先升后降的趋势，并不符合轴承故障程度的发展趋势。因此，需要构建新颖的性能退化指标来全面地反映滚动轴承的性能退化过程。

实际测取的轴承振动信号往往是非线性、非平稳信号，小波包分解可以将振动信号在不同频带上进行分解，且不仅对信号的低频部分进行分解，还对信号的高频部分进行分解，因此小波包分解可以实现对信号更为精细的刻画。

小波包奇异谱熵是基于奇异值分解理论，将振动信号经小波包变换后的系数矩阵分解为一系列能反映原系数矩阵基本特征的奇异值，再利用信息熵的统计特性对奇异值集合进行不确定度分析，因此小波包奇异谱熵能够对原始振动信号的复杂程度给出一个确定的量度。

支持向量数据描述(Support Vector Data Description，SVDD)是一种在统计学习理论和支持向量机基础上发展起来的基于边界思想的单值分类方法，仅需正常样本进行模型训练，这为故障诊断中的异常数据匮乏问题提供了解决途径。此外，该方法具有计算速度快、鲁棒性强等特点。

发明内容

本发明的目的是，为了获得滚动轴承的性能退化指标，及时发现轴承的早期故障时刻和失效时刻，预防重大事故的发生，本发明提供一种滚动轴承性能退化评估装置及方法。

实现本发明的技术方案是，本发明提供一种滚动轴承性能退化评估装置，包括，

加速度传感器，用于采集待测轴承的振动信号并将振动信号转化为模拟信号；

数据采集模块，用于将所述模拟信号进行放大、滤波等处理后转换为数字信号，然后将所述数字信号传送至计算机，并存储为数据文件；

特征提取模块，用于提取振动信号的小波包奇异谱熵作为输入特征矢量，以供所述SVDD评估模块中评估模型的使用；

SVDD评估模块和验证模块，用于建立自适应SVDD模型，并通过所述自适应SVDD模型对滚动轴承的性能退化过程进行评估，得到性能退化指标DI；验证模块用于验证性能退化评估结果的正确性。

所述加速度传感器连接数据采集模块的输入端；数据采集模块通过特征提取模块连接SVDD评估模块和验证模块；所述数据采集模块包括NI SCXI加速度计输入模块、NI SCXI信号调理机箱以及NI多功能数据采集卡，其中加速度计输入模块被封装在信号调理机箱内，数据采集卡可采用USB总线或PCI总线的NI数据采集卡，以适应不同的计算机需求。

本发明提供一种滚动轴承性能退化评估方法，包括数据采集、特征提取、性能评估和对评估结果的验证，通过滚动轴承性能退化评估装置对滚动轴承性能退化进行评估。所述方法包括：

将轴承振动信号进行小波包分解后，分别对最后一层各节点的小波包分解系数进行重构，再对得到的小波包重构系数进行奇异值分解，进而求取最后一层各节点的小波包奇异谱熵；

将小波包奇异谱熵作为SVDD评估模块的输入特征矢量，通过输入特征矢量建立自适应SVDD模型并得到性能退化指标DI；

采用基于EMD的Hilbert包络解调方法对性能退化评估结果进行验证。

本发明方法中的特征提取包括以下步骤：

(1)小波包分解，根据滚动轴承的振动信号波形，选用db5小波基作为小波基函数对采集到的振动信号进行4层小波包分解，得到最后一层各节点的小波包分解系数；