[发明专利]一种基于轴承健康指标检测滚动轴承早期故障的方法

说明书

本发明公开了一种基于轴承健康指标检测滚动轴承早期故障的方法，包括以下步骤：S1:针对滚动轴承振动信号的峭度和均方根分别建立故障识别模型，根据该模型明确对应峭度和均方根的正常范围区间；S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；S4:如果峭度指标模型和均方根指标模型的判定结果都是轴承信号中含有故障，则认为轴承出现故障，否则为轴承是健康无故障。本发明能有效的识别滚动轴承的早期故障信号，可用于实时监测也可以用于时候检测，检测准确，快速，具有一定的工程应用价值。

技术领域

本发明属于机械设备故障诊断领域，具体是指一种基于轴承健康指标检测滚动轴承早期故障的方法。

背景技术

滚动轴承是旋转机械的重要组成部件，是现代化机械装置上不可或缺的重要部件。滚动轴承种类繁多、样式结构复杂被广泛地应用于各种先进的工业生产设备、交通运输工具、水电、风电等等大型重要设备上面。滚动轴承的工作环境往往十分复杂，其多见于高转速、高负载的条件下持续运转，因此滚动轴承的故障时有发生。为了保证安装了滚动轴承的各种旋转机械系统的健康状态，就必须对轴承的工作状态进行严格的监测，最好做到实时的在线检测以防止滚动轴承故障引发事故。

滚动轴承的健康状态监测和故障诊断是保证旋转机械系统稳定运作的重要环节。滚动轴承在服役过程中其健康状态随着故障的加剧逐渐恶化，直到故障严重到一定程度时就会引发旋转机械事故。如图1所示是一个典型的轴承退化过程中振动信号的变化曲线，我们可以发现在轴承刚开始服役后的一段时间里，轴承工作状态稳定，直到某个时刻轴承上出现故障后，轴承的振动幅度逐渐变大，而且变大的趋势随时间加剧。这是因为，一旦轴承上出现一个故障之后，轴承的“免疫力”下降，导致轴承上再次出现新故障的几率增加，而且随着故障的增多，出现新故障的几率不断增加。因此，一旦轴承上出现故障后，轴承的健康状态恶化到能够导致旋转机械系统出现严重故障的时间是难以预测的，最好的做法就是尽早检测到故障，及时更换掉故障轴承，因此越早期的检测到故障对于保证旋转机械系统的安全意义越大。但是，再实际地监测和诊断任务中往往面临各种环境噪声，这些噪声会淹没轴承的故障信号，使得诊断无法进行，尤其是对早期的微弱故障信号检测带来了挑战。因此，单纯的依靠滚动轴承振动信号的频谱来识别早期故障的方法几乎是不可能的，滚动轴承健康监测和故障诊断领域亟需可靠的早期故障识别方法。

滚动轴承振动信号的峭度(Kurtosis)和均方根(root mean square，RMS)是两个反应不同故障特征的指标，可以在轴承由开始服役到出现严重故障而退役这个完整的退化过程中反应轴承在不同时期的不同严重程度的故障信息，在滚动轴承服役的初期健康状态良好峭度指标和均方根指标都在某一较小范围内波动，该范围就是对应健康指标的正常区间。其中，峭度指标对振动信号的早期故障敏感，因此是一种常用的识别早期故障的特征。但是，峭度指标对环境中的噪声同样非常敏感，一次为检测早期轴承故障带来了困难。另一方面，均方根指标则对噪声具有很好的鲁棒性，它可以反应故障的严重程度，但是它的缺点就是无法对故障信号做出及时反应。

现有技术中还没有根据上述峭度(Kurtosis)和均方根(root mean square，RMS)结合解决滚动轴承早期故障识别的方案。

发明内容

本发明实施例所要解决的技术问题在于，提供一种准确、快速的滚动轴承早期故障检测方法。

为实现上述目的，本发明的技术方案是包括以下步骤：

S1:针对滚动轴承振动信号的峭度和均方根这两个指标分别建立故障识别模型，分别为峭度指标模型和均方根指标模型，根据该模型明确对应峭度和均方根的正常范围区间；

S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；

S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；