朱春松

摘 要：滾動軸承故障率在機組故障中所占比例較高，特別是高線軋機中的滾動軸承，轉(zhuǎn)速較高，工作環(huán)境惡劣，其故障的早期診斷至關重要。主要通過闡述高線軋機的工作特點、滾動軸承的故障機理、基于EMD分解的滾動軸承早期故障診斷，對滾動軸承進行信號采集以及信號處理，判斷故障位置及原因，提高滾動軸承的故障診斷率。

關鍵詞：故障特征頻率 滾動軸承 故障診斷

1 引言

目前生產(chǎn)力水平?jīng)Q定我國自動化水平，因此機組的故障導致整個生產(chǎn)線癱瘓的事件比比皆是，對工廠的經(jīng)濟、人力都會造成巨大的損失，甚至人員傷亡等更嚴重的后果。滾動軸承作為故障率發(fā)生較高的零件之一，如何對其進行監(jiān)測與早期故障診斷至關重要。振動學的引入，讓我們了解到信號信息法在故障診斷的重要地位。當前基于振動學分析的故障診斷方法有時域分析法、頻域分析法及時頻域分析法[1]。時域分析法主要適用于設備的簡單故障判別，診斷方法較為簡單，例如常見的波形分析等；頻域分析法是目前企業(yè)中應該比較廣泛的信號分析法，其檢測較為準確，能夠分析出其故障特征頻率，可以用于精密診斷，但是該方法只適用故障中后期，早期故障通過時域分析法并不明顯；而時頻域分析法是針對非平穩(wěn)信號常用的信號分析法，對于早期故障信號的分離有著明顯的優(yōu)勢，文章采用的就是EMD分析法來分析滾動軸承的早期故障，以防為主，來提高滾動軸承的故障診斷率，避免故障后期引發(fā)整個機組的癱瘓。

2 高線軋機的工作特點

以某廠高線軋機為例，其工作分為低速軋制和高速軋制。低速軋制時，機組的運行狀態(tài)相對穩(wěn)定，由于速度較小因此機組的沖擊振動也相對平穩(wěn)，振動的傳遞現(xiàn)象也不明顯；高速軋制時，其速度最高可達90m/s，此時不僅會導致高線軋機組溫度會快速升高，還會導致機組的穩(wěn)定性降低，沖擊振動加大甚至會出現(xiàn)共振現(xiàn)象，當異常振動明顯時，需停機進行檢修，因此對于高線精軋機組要進行定期監(jiān)測。

一個輸入端和兩個輸出端組成高線精軋機組中的增速箱，增速箱采用單列圓柱滾子軸承作為支撐元件，自由端采用一個單列圓柱滾子軸承和球軸承支撐。其中輸入端與電機相連，兩個輸出端分別連接25#軋機與26#軋機，帶動奇數(shù)架和偶數(shù)架軋機進行高速運行，所以認為25#軋機與26#軋機為故障診斷的對象。

3 滾動軸承的故障機理

高線精軋機組中共由十架軋機以及增速箱組成，而每架軋機共有22個軸承，軸承故障在整個高線精軋機組的故障率中占比較高，因此對于軸承的故障檢測影響著機組的運行狀態(tài)。根據(jù)經(jīng)驗可知，滾動軸承一旦出現(xiàn)故障，會產(chǎn)生異常振動和沖擊，嚴重的故障甚至會導致整個機組的癱瘓。因此對于軸承的早期故障診斷是很有必要的。

（1）滾動軸承的失效形式

因為運行速度較高，滾動軸承屬于高線精軋機組上的易損元件，當軸承出現(xiàn)早期故障是時，振動可能被外界環(huán)境所干擾，難以檢測出來，一旦出現(xiàn)異常，一般都是中后期故障，當軸承出現(xiàn)嚴重故障振動信號會出現(xiàn)傳遞，嚴重的可以出現(xiàn)共振，甚至影響其他機組零件的質(zhì)量與壽命。疲勞剝落、磨損、變形、保持架損壞等都屬于目前滾動軸承常見的失效形式。

（2）滾動軸承的頻率特性

通過頻率：

內(nèi)圈通過頻率：

外圈通過頻率：

滾動體通過頻率：

保持架通過頻率：

式中：——內(nèi)圈回轉(zhuǎn)頻率（Hz）；，為內(nèi)圈轉(zhuǎn)速（）；

——滾珠直徑（mm）；

——軸承直徑（mm）；

——滾珠個數(shù)；

——壓力角。

固有頻率：

當各元件以其固有頻率下異常振動時，往往是由于結構本身的缺陷或者出現(xiàn)結構不規(guī)則現(xiàn)象導致，也是常見的軸承故障之一，這時出現(xiàn)的波形圖往往是以回轉(zhuǎn)間隔為包絡的高頻振動曲線[2]。

其固有頻率可按下面公式計算：

式中：——圈套寬度（mm）；

——圈套厚度（mm）；

——固有頻率振動階數(shù)，K=1，2，3…

滾動體固有頻率計算式：

式中：——滾動體半徑（mm）。

根據(jù)提供的軸承型號，可計算得出軸承的故障特征頻率如表1所示。

通過以上對滾動軸承的特征頻率進行計算分析，表1能夠為后面故障診斷提供參數(shù)依據(jù)。在進行信號分析時，根據(jù)軸承各結構的故障特征頻率及其振動波形圖，可以準確快速的找到滾動軸承的故障點，有助于實現(xiàn)精準的故障檢測。往往在進行滾動軸承故障診斷中，需要將其分為低頻和高頻兩個頻段進行信號分析，當f＜1000Hz時認為是低頻段，這個階段主要可以看到滾動軸承故障特征頻率；當f=1000～10000Hz時認為是高頻段，這是頻譜圖體現(xiàn)的特征主要是固有頻率及其高次諧波[3]。對于滾動軸承的早期故障，往往高頻更加敏感，但是很難分離出其故障特征頻率，所以難以發(fā)現(xiàn)故障具體位置，在這個階段只能判斷機組存在故障，但是難以判斷位置，從而容易導致誤判。在精軋階段，滾動軸承一旦出現(xiàn)故障，滾動軸承故障初期沖擊信號較弱，往往被噪聲所淹沒，直接進行頻域分析難以找出對應的故障特征頻率，通過對多個IMF高頻分量進行解調(diào)分析，得到包絡頻譜后再相加可以突出故障頻率，提高信噪比。

4 基于EMD分析法對滾動軸承進行早期故障診斷

如圖1所示，為高線精軋機組測點布置圖，測點往往設置在外漏的軸承座上，主要通過振動傳遞性的原理，將沖擊振動信號傳動到能夠反映軸承振動特性的位置。在振動信號中除了有故障信號外還有噪聲信號，兩者混合容易導致誤判。因此在進行信號采集時，往往需要測量同一位置不同方向的振動值，方便得到更加準備的測量結果。為了保證在線監(jiān)測數(shù)值的準確性，往往還需要將多個測點的結果進行共享對比，在進行信號分析時，只需選擇振動特征最為明顯的波形圖進行時頻譜分析即可，以提高故障診斷的準確性。

前面已經(jīng)闡述，在測量振動信號時，除了故障特征信號之后往往還會采集到噪聲等信號，很可能造成故障信號被淹沒，難以發(fā)現(xiàn)早期故障。而EMD分解方法可以將采集的信號分解成若干個瞬時頻率具有物理意義的IMF分量，對于無用信號的剝離有著重要的作用，也是一種針對非平穩(wěn)信號進行是信號分析的重要手段[4]。通過以上介紹，高線精軋機組的信號呈現(xiàn)非穩(wěn)定性，因此EMD 分解法認為適用于檢測其軸承的早期故障。

實驗對26#軋機所測的振動信號進行自適應的分解，得到頻率從高到低的11個IMF分量，對每一個分量進行包絡后再進行頻域分析，得到包絡頻譜圖，通過觀察每個IMF分量的包絡譜特性，分析每個IMF分量的物理意義。限于篇幅，只列舉前三個分量，如圖2、3和4所示。

通過圖2、3和4三個分量的包絡譜圖可以看出，IMF1、IMF3的包絡譜圖中仍找不到對應的故障特征頻率，IMF2分量的包絡譜圖沒有意義，為定義為無用的信號。因為每個分量表示的是原始信號真實的物理信息，在高線精軋過程中，由于環(huán)境等干擾因素的影響，信號體現(xiàn)的意義各不相同，通過單獨對IMF分量進行分析，可以找到有意義的分量，有助于無用分量的剝離。

為了解決上述問題，論文考慮將無用的IMF分量（如圖3中的IMF2分量）剔除，對包含故障信息的IMF分量進行重構，計算重構信號的包絡信號，如圖5所示。再計算重構信號的包絡頻譜和包絡功率譜，如圖6（a）和（b）所示。

由圖6的包絡波形圖可知，可以看出明顯的沖擊信號，驗證了滾定軸承故障確實存在。由圖6（a）的FFT頻譜和圖6（b）的功率譜圖可以明顯看出故障頻率在150Hz，參考表1可以看出，與軸承內(nèi)圈故障頻率153.243Hz將近，可判定為軸承內(nèi)圈故障。由此可以看出，通過EMD分解法濾除實際工況中噪聲等干擾信號，將有用的信號進行重構，通過頻譜圖可以看出明顯的故障特征頻率，對于惡劣環(huán)境下有早期故障的診斷有著很大的幫助。在傳統(tǒng)的頻譜分析中，只能做到整體的信號分析，很難將噪聲等無用信號與故障信號分離，所以只有等滾軸軸承故障特征較明顯時才能檢測到故障位置，對于機組的提前監(jiān)測無法起到提醒作用。而通過EMD分解法可以將故障信號和噪聲等干擾因素分開，從而判斷出滾動軸承的早期故障。

因此，EMD分解法通過將信號進行分解重構，對非平穩(wěn)信號以及混雜信號的分析有著明顯的優(yōu)點，明顯優(yōu)于傳統(tǒng)基于頻譜的信號分析法，在實際工程中遇到的大部分信號都是非平穩(wěn)信號，通過EMD 分解法對非平穩(wěn)的振動信號進行分解，能夠?qū)收闲畔⒌腎MF分量從強噪聲中分離出來[5]。因此，EMD分解法更適應于現(xiàn)場環(huán)境惡劣的機組早期故障，有助于判斷機組中隱藏的故障位置。

5 結論

根據(jù)現(xiàn)有的故障診斷法，用一般的頻譜分析可以判斷出滾動軸承的中后期故障，對于早期故障往往被噪聲淹沒難以被發(fā)現(xiàn)。對于EMD分解法可以將信號自適應的分解成若干個IMF分量，剔除無意義的IMF分量，將有意義的分量進行重構，將故障信號從干擾信號中剝離，凸顯滾動軸承的早期故障。在機械故障診斷中，早期故障的發(fā)現(xiàn)不僅對影響著機組的工作效率，甚至還會影響到人身安全，所以對于故障的發(fā)現(xiàn)越早越好，檢修人員可以及時關注，防止出現(xiàn)急速惡化。

參考文獻：

[1]陳子慧，李志農(nóng)，谷士鵬等.基于自適應Fourier分解-同步提取變換的機械故障診斷方法[J].兵器裝備工程學報，2023，44（04）：139-145.

[2]沈?qū)W軍，常越，龐馭文.基于深度域適應方法的旋轉(zhuǎn)機械故障診斷技術[J].湖南工程學院學報（自然科學版），2022，32（04）：24-30+34.DOI：10.15987/j.cnki.hgbjbz.2022.04.009.

[3]靳現(xiàn)平，徐元濤，劉洋等.基于改進EMD的煤礦用履帶式水倉清理機機械故障診斷研究[J].煤炭工程，2022，54（S1）：181-186.

[4]劉晉瑋. 基于自相關與EMD的旋轉(zhuǎn)機械故障診斷方法的研究[D].三峽大學，2020.DOI：10.27270/d.cnki.gsxau.2020.000449.

[5]許丹，于龍，王玉梅.基于用最小二乘法改進的EMD與能量熵融合的斷路器機械故障診斷方法[J].高壓電器，2014，50（08）：99-103.DOI：10.13296/j.1001-1609.hva.2014.08.025.