張 寶, 劉 波, 張鄭華, 楊 濤

?

基于Peakvue技術(shù)的滾動(dòng)軸承故障診斷①

張 寶1, 劉 波2, 張鄭華1, 楊 濤2

1(四川中煙工業(yè)有限責(zé)任公司綿陽卷煙廠, 綿陽621000)2(西南科技大學(xué)信息工程學(xué)院, 綿陽621010)

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵部件, 其運(yùn)行狀態(tài)決定設(shè)備以及整個(gè)系統(tǒng)的性能. 滾動(dòng)軸承出現(xiàn)故障時(shí)會(huì)產(chǎn)生高頻的應(yīng)力波信號(hào), 而Peakvue技術(shù)能夠有效的檢測應(yīng)力波, 運(yùn)用一種基于Peakvue技術(shù)的滾動(dòng)軸承故障診斷方法. 該方法采用加速度傳感器采集滾動(dòng)軸承振動(dòng)信號(hào), 利用高通濾波器濾除加速度傳感器輸出信號(hào)中不必要的低頻部分, 按照一定的時(shí)間間隔對(duì)高頻信號(hào)和應(yīng)力波信號(hào)進(jìn)行峰值提取, 并對(duì)提取的峰值信號(hào)進(jìn)行包絡(luò)檢波處理分析故障類型. 應(yīng)用西儲(chǔ)大學(xué)軸承數(shù)據(jù)集進(jìn)行驗(yàn)證, 結(jié)果表明該方法能準(zhǔn)確有效地檢測出滾動(dòng)軸承的故障類型.

滾動(dòng)軸承; 故障診斷; Peakvue; 應(yīng)力波; 加速度傳感器

滾動(dòng)軸承在工業(yè)系統(tǒng)中應(yīng)用廣泛, 作為旋轉(zhuǎn)機(jī)械的關(guān)鍵部件, 其運(yùn)行狀態(tài)決定著整個(gè)系統(tǒng)的性能, 據(jù)不完全統(tǒng)計(jì), 導(dǎo)致旋轉(zhuǎn)機(jī)械出現(xiàn)故障的原因約有30%是滾動(dòng)軸承出現(xiàn)故障, 故滾動(dòng)軸承狀態(tài)監(jiān)測與故障診斷都成為研究熱點(diǎn)[1]. 滾動(dòng)軸承的各個(gè)單元故障后相互影響較大, 使其單元故障特征呈現(xiàn)多樣性以及故障原因不唯一, 而且滾動(dòng)軸承早期故障的異常信號(hào)極其微弱, 很難被及時(shí)感知和檢測[2]. 采用軸承故障診斷技術(shù), 分析定位軸承故障單元, 對(duì)找出故障原因至關(guān)重要[3].

振動(dòng)分析、溫度、油樣分析等方法都可用來進(jìn)行滾動(dòng)軸承的故障診斷, 但是最為實(shí)用、有效的是振動(dòng)分析方法[4]. 目前利用滾動(dòng)軸承運(yùn)行期間的振動(dòng)信號(hào)作為原始故障信號(hào), 運(yùn)用在滾動(dòng)軸承故障診斷中的方法有很多, 如基于峭度系數(shù)、有效值、峰值因子等的時(shí)域方法[5-7], 基于小波[8,9]、HMM[10]等時(shí)頻域方法, 基于EMD[11,12]、SVD[13]、LMD[14]等頻域方法. 振動(dòng)信號(hào)具有非平穩(wěn)、非線性的特征且早期的故障信號(hào)非常微弱, 采用以上這些方法或多說少都存在一些不足, 時(shí)域方法處理早期微弱的故障信號(hào)就存在很大的缺陷, 信號(hào)幅值太小會(huì)導(dǎo)致沒有診斷結(jié)果或診斷結(jié)果不明顯; 如果采用小波方法, 其不足在于一旦選定小波基, 在隨后的整個(gè)分析過程中便無法對(duì)其進(jìn)行更改, 而且不同的基函數(shù)也會(huì)對(duì)分析結(jié)果產(chǎn)生較大的影響; 如果采用EMD方法, 其存在兩個(gè)嚴(yán)重的缺陷: 模態(tài)混疊和端點(diǎn)效應(yīng).

針對(duì)以上方法的不足, 本文選用Peakvue技術(shù). 由于加速度傳感器具有頻率范圍寬、安裝條件受現(xiàn)場環(huán)境的影響小、內(nèi)部無磨損部件、對(duì)高頻信號(hào)敏感等優(yōu)點(diǎn), Peakvue技術(shù)選用加速度傳感器測量滾動(dòng)軸承的振動(dòng)信號(hào). 滾動(dòng)軸承的早期故障振動(dòng)信號(hào)具有高頻低幅的特點(diǎn), 其隱藏在振動(dòng)頻譜底層的背景能量中不易被發(fā)現(xiàn), Peakvue(峰值檢測)技術(shù)不僅可以分離出這些低能量的周期性損壞信號(hào), 檢測出滾動(dòng)軸承的早期故障, 而且還可以準(zhǔn)確預(yù)測出故障的嚴(yán)重程度[15].

1　Peakvue方法工作原理

Peakvue技術(shù)是近年來在國外發(fā)展起來的一項(xiàng)全新的信號(hào)采集、處理與診斷技術(shù), 由艾默生(Emerson)公司針對(duì)齒輪和滾動(dòng)軸承的故障診斷而開發(fā)的專利技術(shù), 是一種對(duì)給定時(shí)間間隔里時(shí)域波形峰值進(jìn)行捕捉的振動(dòng)信號(hào)分析方法. 當(dāng)金屬與金屬發(fā)生碰撞時(shí), 會(huì)產(chǎn)生應(yīng)力波. 軸承早期的疲勞剝落、齒輪缺陷以及摩擦磨損和沖擊等都會(huì)產(chǎn)生應(yīng)力波, Peakvue則可以采集和檢測這些短暫應(yīng)力波, 提取應(yīng)力波的峰值和其出現(xiàn)的頻率, 并轉(zhuǎn)換成頻譜進(jìn)行故障分析[16].

(a)普通振動(dòng)波形

(b)Peakvue采樣波形

圖1普通振動(dòng)波形與Peakvue采樣波形

為了更好的了解Peakvue技術(shù)的工作原理, 需要先了解應(yīng)力波. 應(yīng)力波在機(jī)械出現(xiàn)金屬與金屬的沖擊、摩擦、應(yīng)力裂痕等現(xiàn)象時(shí)產(chǎn)生, 是一種相當(dāng)短暫的連續(xù)脈沖信號(hào)(10-6~10-3s), 即其頻率很高. 齒輪箱和滾動(dòng)軸承發(fā)生故障便會(huì)出現(xiàn)這種沖擊、摩擦或裂痕現(xiàn)象.

Peakvue方法分析所需要的信號(hào)由安裝于軸承座上的加速度傳感器采集后經(jīng)高通濾波器濾波后得到, 高通濾波器的截止頻率選擇1kHz或2kHz的, 其主要作用是使信號(hào)集中于沖擊信號(hào)所在頻段、分離沖擊信號(hào)和普通振動(dòng)信號(hào), 這種分析方法的核心要點(diǎn)在于峰值(Peakvue), 而峰值則是原始振動(dòng)信號(hào)中一段選定時(shí)間間隔中的值. 一般情況下, 這個(gè)時(shí)間間隔的選取是根據(jù)分析頻率帶寬而定的, 在大多數(shù)采集器或分析儀中, 常將采樣時(shí)間間隔取為2.56的倒數(shù),為所分析信號(hào)的最大頻率.

Peakvue采樣波形與普通振動(dòng)波形如圖1所示, 圖1(a)的時(shí)域波形中, 等間隔的垂直直線間的值代表對(duì)原始信號(hào)進(jìn)行二次采樣的時(shí)間間隔; 圖1(b)的信號(hào)波形由圖1(a)中的信號(hào)構(gòu)成, 每個(gè)恒定值對(duì)應(yīng)于圖1(a)中同一時(shí)間間隔中的信號(hào)峰值. 圖1(a)中每次增加的時(shí)間常量是峰值從最初時(shí)刻到經(jīng)歷相同時(shí)間間隔的增量, 改時(shí)間間隔增量為上述的2.56.

即使應(yīng)力波沖擊信號(hào)的持續(xù)時(shí)間很短, 經(jīng)過Peakvue采樣的波形仍可以很好的保持其幅值和頻率. 然后對(duì)Peakvue采樣信號(hào)進(jìn)行頻譜分析, 提取故障頻率, 進(jìn)行故障分析.

2　基于Peakvue技術(shù)的滾動(dòng)軸承故障診斷

滾動(dòng)軸承包含內(nèi)圈、保持架、外圈和滾動(dòng)體. 滾動(dòng)軸承中任何一個(gè)元件出現(xiàn)損傷都會(huì)導(dǎo)致與其它元件發(fā)生撞擊, 產(chǎn)生應(yīng)力波. 隨著時(shí)間的推移, 這種撞擊會(huì)日益嚴(yán)重, 其他元件也會(huì)一個(gè)接一個(gè)出現(xiàn)故障. 在滾動(dòng)軸承各元件中, 滾動(dòng)體的應(yīng)力最大, 其次是內(nèi)圈、外圈和保持架; 保持架的應(yīng)力變化最為劇烈, 受到的沖擊力也最大, 這可能就是導(dǎo)致其故障率較高的主要原因[17].

利用Peakvue技術(shù)可以發(fā)現(xiàn)早期的滾動(dòng)軸承故障, 并監(jiān)控故障的發(fā)展情況, 及時(shí)更換損壞的滾動(dòng)滾動(dòng)軸承, 從而避免出現(xiàn)嚴(yán)重的設(shè)備故障. 基于Peakvue技術(shù)的滾動(dòng)軸承故障診斷實(shí)現(xiàn)過程如圖2所示.

圖2 基于Peakvue技術(shù)的滾動(dòng)軸承故障診斷過程

(1) 元件碰撞

滾動(dòng)軸承處于旋轉(zhuǎn)狀態(tài), 當(dāng)軸承內(nèi)有元件出現(xiàn)損傷時(shí), 勢必會(huì)導(dǎo)致?lián)p傷的元件與其它元件發(fā)生摩擦碰撞, 進(jìn)而會(huì)損傷其他元件.

(2) 軸承振動(dòng)

旋轉(zhuǎn)軸承內(nèi)部元件之間發(fā)生碰撞, 隨著撞擊程度的不同, 軸承會(huì)產(chǎn)生不同幅度的振動(dòng).

(3) 數(shù)據(jù)采集

旋轉(zhuǎn)軸承振動(dòng)產(chǎn)生的應(yīng)力波是一種高頻信號(hào), 選則具有頻率范圍寬、對(duì)高頻信號(hào)敏感等特點(diǎn)的加速度傳感器捕捉這種信號(hào)比較合適. 考慮到靈敏度和抗干擾等因素, 本文選用ICP壓電式加速度傳感器, 較傳統(tǒng)的加速度傳感器相比, 它的特點(diǎn)在于將電荷放大器與傳統(tǒng)的壓電加速度傳感器集于一體, 具有精度高、漂移小、噪音低、可有效防塵、防潮等優(yōu)點(diǎn), 其輸出可以配長電纜而不會(huì)影響測量精度.

加速度傳感器一般用螺紋聯(lián)接在軸承座或軸承箱上, 其固有頻率通常在15kHz以上, 比軸承外圈的共振頻率更高, 因此不易產(chǎn)生共振或共振信號(hào)不明顯, 也不易受機(jī)械設(shè)備中其它非軸承損傷因素的影響而引起共振[18].

針對(duì)ICP型輸出的壓電式加速度傳感器, 需選用具有ICP輸入接口的數(shù)據(jù)采集器. 一般情況下, 一臺(tái)設(shè)備都需要同時(shí)采集多個(gè)軸承的故障數(shù)據(jù), 這就需要選用具有多個(gè)ICP通道且可實(shí)現(xiàn)同步采集的數(shù)據(jù)采集器. 16位A/D通常可以滿足大部分應(yīng)用的分辨率要求; 采樣頻率對(duì)于不同的需求可能有很大差別, 不過選擇100kps以上的數(shù)據(jù)采集器應(yīng)該可以適應(yīng)多數(shù)的應(yīng)用需求. 目前以太網(wǎng)的應(yīng)用非常廣泛, 本文選用以太網(wǎng)接口作為通信接口, 方便數(shù)據(jù)傳輸與獲取.

(4) 高通濾波

滾動(dòng)軸承的各個(gè)元件中, 內(nèi)圈的故障頻率最高, 即, 所以高通濾波器的下限頻率一般選取3~4倍的內(nèi)圈故障頻率, 不同應(yīng)用可以適當(dāng)進(jìn)行調(diào)整. 對(duì)于故障頻率不明確的情況也可以根據(jù)實(shí)際情況選擇1kHz或2kHz的高通濾波器, 目的是為了保證濾除不必要的低頻信號(hào).

(5) 峰值提取

選擇合適的采樣時(shí)間間隔從濾波后的信號(hào)中提取峰值, 用峰值代替間隔周期中的值, 采樣周期一般取2.56的倒數(shù), 當(dāng)然也可以適當(dāng)上下調(diào)整, 主要目的是為了保證在最高的故障頻率周圍也能得到足夠的采樣數(shù)據(jù), 方便后續(xù)的分析計(jì)算.

(6) 頻域分析

已有的頻域分析是直接對(duì)上述峰值信號(hào)進(jìn)行處理, 其數(shù)據(jù)量和二次采樣之前相同, 本文的處理是用一個(gè)數(shù)據(jù)代替一個(gè)時(shí)間段中的多個(gè)數(shù)據(jù), 從而減少數(shù)據(jù)量以提高運(yùn)算速度. 對(duì)二次采樣獲得的峰值信號(hào)使用Hilbert變換[19]進(jìn)行包絡(luò)檢波處理, 希爾伯特變換器的頻率響應(yīng)為:

因此,

()的希爾伯特變換為:

然后對(duì)()進(jìn)行FFT變換獲得Peakvue頻域數(shù)據(jù)(), 最后根據(jù)Peakvue頻譜分析軸承故障.

3　滾動(dòng)軸承振動(dòng)數(shù)據(jù)的分析與驗(yàn)證

為驗(yàn)證Peakvue技術(shù)在滾動(dòng)軸承故障診斷中的有效性, 選用美國西儲(chǔ)大學(xué)的軸承故障數(shù)據(jù)集[20,21], 其來源于如圖3所示的實(shí)驗(yàn)平臺(tái). 該實(shí)驗(yàn)平臺(tái)包括一個(gè)功率計(jì)(右側(cè))、一個(gè)轉(zhuǎn)矩傳感器(中間)、一個(gè)2馬力的電機(jī)(左側(cè))和一個(gè)電子控制設(shè)備(沒有顯示), 選取支持電機(jī)軸的軸承作為測試對(duì)象. 在軸承上運(yùn)用電火花加工技術(shù)布置了單點(diǎn)故障, 故障直徑包括0.007、0.014、0.021、0.028、0.040英寸. 其中, 前三種故障直徑的軸承使用的是SKF軸承, 后兩種故障直徑的軸承使用與之等效的NTN軸承. 試驗(yàn)中采用加速度傳感器采集振動(dòng)信號(hào), 加速度傳感器安裝在電機(jī)殼體的驅(qū)動(dòng)端和風(fēng)扇端的12點(diǎn)鐘位置, 傳感器的輸出采用DAT記錄器進(jìn)行采集處理.

驗(yàn)證數(shù)據(jù)集選用電機(jī)驅(qū)動(dòng)端SKF軸承的故障數(shù)據(jù), 軸承型號(hào)為6205-2RS JEM, 采樣頻率為12kps, 主要選用兩類故障數(shù)據(jù), 一類故障數(shù)據(jù)對(duì)應(yīng)電機(jī)轉(zhuǎn)速為1722r/min和軸承內(nèi)圈、外圈的故障直徑均為0.007英寸, 另一類故障數(shù)據(jù)對(duì)應(yīng)電機(jī)轉(zhuǎn)速為1752r/min和軸承內(nèi)圈、外圈的故障直徑均為0.021英寸兩種, 軸承的外圈、內(nèi)圈、滾動(dòng)體和保持架的特征頻率[22]可根據(jù)以下公式計(jì)算:

其中,為滾珠個(gè)數(shù),為滾動(dòng)體直徑,為軸承節(jié)徑,為滾動(dòng)體接觸角,為軸承轉(zhuǎn)速(轉(zhuǎn)/分鐘). 驅(qū)動(dòng)端軸承的滾珠數(shù)為9, 軸承節(jié)徑為39.04mm, 滾珠直徑為7.94mm, 接觸角為0度, 其特征頻率如表1所示.

圖3 美國西儲(chǔ)大學(xué)故障診斷實(shí)驗(yàn)平臺(tái)

表1 軸承特征頻率

(a)內(nèi)圏 (b)外圈

(a)內(nèi)圏 (b)外圈

轉(zhuǎn)速1722r/min、故障直徑0.07英寸和轉(zhuǎn)速1752r/min、故障直徑0.021英寸兩大類故障集的內(nèi)外圈原始時(shí)域波形和Peakvue時(shí)域波形如圖4和圖5所示. 高通濾波器的截止頻率取4倍的內(nèi)圈故障頻率值左右, 取值為600Hz, 二次采樣時(shí)間間隔取值為2.5ms. Peakvue波形依然保持有原始應(yīng)力波脈沖信號(hào)的幅值和頻率.

圖6 基于Peakvue的滾動(dòng)軸承外圈故障頻譜圖1

圖7 基于Peakvue的滾動(dòng)軸承內(nèi)圈故障頻譜圖1

轉(zhuǎn)速為1722r/min, 故障直徑為0.007英寸的滾動(dòng)軸承Peakvue頻譜圖如圖6和圖7所示. 轉(zhuǎn)速為1752r/min, 故障直徑為0.021英寸滾動(dòng)軸承Peakvue頻譜圖如圖8-9所示. 在圖6中, 可以明顯地看到外圈故障特征頻率的1至6倍頻, 分別為103.2Hz、206.4 Hz、310.4 Hz、413.6Hz、516.8Hz、620Hz, 其中1至3倍頻的幅值較大; 在圖7中, 可清晰地檢測出1至4倍內(nèi)圈故障特征頻率, 分別為155.3 Hz、309.1 Hz、464.4 Hz、619.6 Hz, 其中1倍和2倍頻的振幅較大, 說明此時(shí)檢測出滾動(dòng)軸承的內(nèi)圈出現(xiàn)故障; 在圖8中有明顯的外圈故障頻率的1-3倍頻, 分別為104.1Hz、209.5Hz、313.5Hz, 其中1、2倍頻較大; 在圖9中有內(nèi)圈故障頻率的1-4倍頻出現(xiàn), 分別為158.2 Hz、314.9 Hz、473.1 Hz、631.3 Hz. 滾動(dòng)軸承中, 一個(gè)部件出現(xiàn)故障后, 隨著時(shí)間的推移, 必將引起其他部件出現(xiàn)故障, 在圖6-圖9中僅有單個(gè)部件的特征頻率及其倍頻的幅值較高, 其他部件的特征頻率沒有或幅值很小, 表明滾動(dòng)軸承處于早期故障狀態(tài), 故運(yùn)用Peakvue技術(shù)分析由加速度傳感器采集的滾動(dòng)軸承振動(dòng)數(shù)據(jù), 可以很方便準(zhǔn)確地檢測出軸承早期的不同故障, 有利于滾動(dòng)軸承狀態(tài)監(jiān)測與故障診斷的進(jìn)一步研究.

圖8 基于Peakvue的滾動(dòng)軸承外圈故障頻譜圖2

圖9 基于Peakvue的滾動(dòng)軸承內(nèi)圈故障頻譜圖2

4 結(jié)論

金屬與金屬之間的碰撞會(huì)產(chǎn)生應(yīng)力波, 其具有高頻特性, 利用加速度傳感器對(duì)高頻信號(hào)的敏感性, 運(yùn)用Peakvue技術(shù)可以很清晰、準(zhǔn)確、及時(shí)地檢測出滾動(dòng)軸承早期的微弱故障, 有利于滾動(dòng)軸承狀態(tài)監(jiān)測與故障診斷的進(jìn)一步發(fā)展, 同時(shí)也促進(jìn)旋轉(zhuǎn)機(jī)械健康管理技術(shù)的發(fā)展. 將Peakvue技術(shù)應(yīng)用到企業(yè)設(shè)備的滾動(dòng)軸承故障診斷中可及時(shí)通知工作人員進(jìn)行設(shè)備維修或更換軸承, 有效提高設(shè)備運(yùn)行可靠性, 提升經(jīng)濟(jì)效益, 可進(jìn)一步提升企業(yè)設(shè)備管理水平, 有廣泛的應(yīng)用前景.

1 谷泉,陳長征,周昊,張士偉.滾動(dòng)軸承故障診斷新方法研究.機(jī)械設(shè)計(jì)與制造,2013,(9):117–119.

2馮輔周,饒國強(qiáng),司愛威.基于排列熵和神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承異常檢測與診斷.噪聲與振動(dòng)控制,2013,33(3):2372–2377.

3 付云驍,賈利民,季常煦,姚德臣,李文球.基于多維振動(dòng)特征的滾動(dòng)軸承故障診斷方法.噪聲與振動(dòng),2014,34(3): 165–169.

4 劉暢,伍星,毛劍琳,劉韜.基于改進(jìn)MOD 學(xué)習(xí)的滾動(dòng)軸承振動(dòng)信號(hào)稀疏表示.計(jì)算機(jī)工程與應(yīng)用,2015,(5):1–4.

5 陳珊珊.時(shí)域分析技術(shù)在機(jī)械設(shè)備故障診斷中的應(yīng)用.機(jī)械傳動(dòng),2007,31(3):79–83.

6 李鋼燕.滾動(dòng)軸承振動(dòng)監(jiān)測診斷及趨勢分析.礦業(yè)工程,2008,6(3):37–38.

7 萬書亭,吳美玲.基于時(shí)域參數(shù)趨勢分析的滾動(dòng)軸承故障診斷.機(jī)械工程與自動(dòng)化,2010,(3):108–111.

8 楊學(xué)存.基于小波頻譜分析的滾動(dòng)軸承故障診斷研究.煤礦機(jī)械,2013,34(1):289–291.

9 El Morsy M. Application of optimal morlet wavelet filter for bearing fault diagnosis. SAE International Journal of Passenger Cars Mechanical Systems, 2015, 8(3): 817–824.

10 王燦,王嘉樂,會(huì)強(qiáng).Hilbert-Huang變換在機(jī)車滾動(dòng)軸承故障診斷中的應(yīng)用.振動(dòng)、測試與診斷,2013,(33):184–188.

11 朱瑜,王殿,王海洋.基于EMD和信息熵的滾動(dòng)軸承故障診斷.軸承,2012,(6):50–53.

12 Ali JB, NFnaiech L, BChebel-Morello FF. Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals. Applied Acoustics, 2015, 89: 16–27.

13 陳恩利,張璽,申永軍,曹軒銘.基于SVD 降噪和盲信號(hào)分離的滾動(dòng)軸承故障診斷.振動(dòng)與沖擊,2012,31(23):185– 190.

14 楊宇,王歡歡,程軍圣,鄒憲軍.基于ＬＭＤ的包絡(luò)譜特征值在滾動(dòng)軸承故障診斷中的應(yīng)用.航空動(dòng)力學(xué)報(bào),2013,27(5): 1153–1158.

15 史嘯曦,景東華.PeakVue測振新技術(shù)的應(yīng)用及評(píng)價(jià).中國設(shè)備工程,2013,(8):7–9.

16 陸晨.Peakvue技術(shù)在電機(jī)軸承故障診斷中的應(yīng)用.設(shè)備管理與維修,2012,(3):53–55.

17 高春良,王成棟,苗強(qiáng).滾動(dòng)軸承動(dòng)力學(xué)仿真與分析.機(jī)械設(shè)計(jì)與制造,2011,(2):193–195.

18 徐英博,韓東方,朱善安.基于Peakvue技術(shù)的軸承故障檢測.傳感器與微系統(tǒng),2010,(7):115–117.

19 Xiang J, Zhong Y, Gao H. Rolling element bearing fault detection using PPCA and spectral kurtosis. Measurement, 2015, 75: 180–191.

20 Smith WA, Randall RB. Rolling element bearing diagnostics using the case Western Reserve University data: A benchmark study. Mechanical Systems and Signal Processing, 2015, 64(65): 100–131.

21 Zhu K, Song X, Xue D. A roller bearing fault diagnosis method based on hierarchical entropy and support vector machine with particle swarm optimization algorithm. Measurement, 2014, 47: 669–675.

22 Yu J. Local and nonlocal preserving projection for bearing defect classification and performance assessment. IEEE Trans. on Industrial Electronics, 2012, 59(5): 2363–2376.

Fault Diagnosis of Rolling Bearings Using Peakvue Technique

ZHANG Bao1, LIU Bo2, ZHANG Zheng-Hua1, YANG Tao2

1(Mianyang Cigarette Factory, China Tobacco Sichuan Industrial Co. Ltd., Mianyang 621000, China)2(School of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China)

Rolling bearings are key components in rotating machinery and its running status has an important effect on the performance of the equipment and even the entire system. Rolling bearing failure produces a high frequency stress wave signal, but Peakvue technique could detect effectively, so a fault diagnosis of rolling bearings using Peakvue technique can be used. Acceleration sensor is used to collect vibration signal of rolling bearings, and the high-pass filter is used to filter unwanted low frequency signal from the output signal of acceleration sensor, and peak extraction is used on high frequency signal and stress wave signal according to a certain time interval, and envelope detection is used on peak signal to analyze the fault type. Datasets from the Case Western Reserve University was used for validation, and the results indicate that this method can accurately detect the fault type of rolling bearings.

rolling bearing; fault diagnosis; Peakvue; stress wave; acceleration sensor

川渝中煙四川煙草工業(yè)有限責(zé)任公司科技項(xiàng)目(川渝煙工技研[2015]62號(hào))

2016-07-31;

2016-08-31

[10.15888/j.cnki.csa.005705]