滚动轴承剩余使用寿命预测综述_张金豹.pdf

年第 卷 月第 期机 械 科 学 与 技 术 ：收稿日期：作者简介：张金豹（），副研究员，博士，研究方向为机械关键零部件的故障诊断与寿命预测，通信作者：邹天刚，研究员，硕士，张金豹，邹天刚，王敏，等滚动轴承剩余使用寿命预测综述机械科学与技术，（）：滚动轴承剩余使用寿命预测综述张金豹，邹天刚，王敏，桂鹏，戈红霞，王成（中国北方车辆研究所 车辆传动重点实验室，北京）摘要：滚动轴承作为旋转机械的关键零部件，其剩余使用寿命（）预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境，使得同工况的参考样本少而变工况的参考样本较多，具有不平衡、不完整、无标签及噪声干扰等特性，增加了滚动轴承 预测的困难。随着大数据时代的来临和人工智能的发展，滚动轴承 预测方法也变得更加丰富。因此，在故障预测与健康管理（）的框架下，对滚动轴承失效模式和故障数据特点进行阐述，对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法，对滚动轴承 的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承 预测未来的发展趋势进行了展望。关键词：滚动轴承；剩余使用寿命；性能退化指标；数据驱动算法；预测方法中图分类号：文献标志码：文章编号：（），（，）：，：；现代工业发展过程中，大型高端的关键机电设备呈现出复杂化、自动化及集中化的发展趋势，并且往往处于高负荷、变工况的连续运行状态。为确保机械设备的正常工作以及便利维修，必须机 械 科 学 与 技 术第 卷：加强对机械设备初期的可靠性设计，以及投入使用后的在线监测和健康管理。由于机械设备结构复杂，导致子部件之间产生较强的耦合干涉，兼之运行过程中内外非线性因素如阻尼、变刚度和时变外载荷等的影响，使得精确的物理模型难以建立并应用于监控和预测。在大数据的时代背景下，美国的工业互联网，德国的工业.等都在促使基于数据驱动的健康评估框架搭建形成以及信息管理系统的开发，因此 应运而生。分为故障预测和健康管理与维修两部分。在故障预测部分，首先借助传感器采集关键零部件的运行状态数据，如振动信号、温度图像、电流电压信号、声音信号及油液分析等，提取设备的运行监测指标，进而实现对设备关键零部件运行状态的早期识别。通过建立完备的待监测零部件故障特征数据库，采用特征变换如主成分分析（）和非线性流形算法，或者特征选择进行维数约简，结合机器学习算法如人工神经网络（），支持向量机（）等对其运行状态进行诊断和 预测，最终实现决策管理。现在国外已建立的 研究机构有美国辛辛那提大学的（）中心、美国马里兰大学的先进生命周期工程中心、法国的 研究所等。使得维修活动从以往被动的事后维修、定期维修、视情维修等阶段，过渡到主动的预测维修。预测维修的核心在于 预测，进而能够更有针对性地安排生产任务和制定合理的维修计划，实现生产效率的最大化，并且避免恶性突发事故的发生。因此国家中长期科技发展规划纲要（）与 机 械 工 程 学 科 发 展 战 略 报 告（）均将“重大产品和重大设施的寿命预测技术”列为重要研究方向。滚动轴承作为旋转机械的关键零部件，广泛应用于航空航天装备、交通运输工具及风力发电设备等领域。这就要求滚动轴承适应各种复杂恶劣的工作环境，在高负荷和变工况的情况下能够保证高精度的连续运行，并且承受住各类冲击，因此往往成为机械系统出现故障的根源。统计表明，在高速动车组传动系统中，轴承故障类型主要集中在轴箱轴承和齿轮箱轴承，分别占故障轴承的 和。轴箱轴承故障主要集中在外圈，占比高达.；齿轮箱轴承中发生故障的零件占比基本相近；电机轴承故障则主要发生在内圈和外圈。在风力发电齿轮箱设备中，轴承的故障比例高达。根据 公司、电气和电子工程师协会和电力研究院的统计数据，感应电机中轴承的损坏比例最大，分别为，和。因此在滚动轴承投入使用初期，应当对其进行可靠性评估，防止突发性失效的发生，保证批次产品在其使用过程中的可靠性要求。在此基础上，对滚动轴承进行进一步的运行状态健康评估才有意义。但传统基于大样本寿命数据的滚动轴承健康评估主要基于概率统计分布如威布尔分布，得到的预测结果表征的往往是总体特征，如平均故障间隔时间等，其失效率曲线整体一般呈现出浴盆形式。因此制定的维修间隔相对固定，主要用于计划维修。其结果就是，如果过早维修会产生浪费，不及时维修又会造成安全隐患，所以该方法无法体现个体差异。为实现滚动轴承的预测性维修，则需要对其失效过程数据进行研究。滚动轴承的失效模式包括磨损、接触疲劳、摩擦热过大引起的热失稳或固体润滑的热退化而导致的胶合、保持架断裂、塑性压痕和锈蚀等，如图 所示。图 实验轴承损伤 其中磨损是其主要失效形式，一般发生在滚道与滚动体之间，原因可能有异物进入、载荷冲击、安装不当、设计与制造、润滑不良等。磨损会使轴承的游隙、表面粗糙度增大、旋转精度降低，同时也会加剧轴承磨损，在振动方面主要表现为振动幅度增大，所以基于振动信号的诊断技术得到了广泛应用。与温度图像、电流电压信号、声音信号及油液分析等信号相比，振动信号对轴承第 期 张金豹，等：滚动轴承剩余使用寿命预测综述：的状态变化响应速度快，包含了轴承运行状态变化的大多数有用信息，能很好的反应出轴承故障的类型和位置，并且容易提取，便于自动化和在线诊断，是一种无损检测技术。与寿命数据相比，退化特征数据可以节省试验时间与费用，能够体现外部环境以及内部多种因素对产品性能的动态影响，使得相关的评估和预测结果更具有指导意义。为适应实际工程的应用，滚动轴承的理论研究需要考虑更多更复杂的使用条件，譬如在复杂恶劣的工作环境下，如图 所示，滚动轴承振动信号在传递途径中受到背景噪声和其他耦合部件的干扰，极易造成微弱故障信号的淹没，导致测得的振动信号具有非平稳性、非线性、非高斯性和低信噪比的特点。为准确地对复杂工况下的滚动轴承进行健康评估，需要多个传感器在不同位置对数据进行全面采集，并且是高频采样，以确保有效信息不被遗漏，但这也进一步导致了海量数据需要处理。因此在滚动轴承运行状态评估中，首要问题就是如何从振动信号中提取有效的故障特征，并且实现有效特征地融合。图 从系统到数据采集 在此基础上，基于对故障失效机理的认识程度和掌握数据的多少，来选择不同的模型进行故障诊断和 预测。预测模型的选择至关重要，如果选择不当会导致预测结果与实际情况存在巨大误差，甚至预测失败。尤其现阶段设备的使用工况更加复杂和多样化，导致同工况下滚动轴承的参考样本数量严重不足，这进一步增加了寿命预测建模的困难。但同时存在大量其它工况下的参考样本可以借鉴，从而借助人工智能进行 预测，这也促使了迁移学习在滚动轴承 预测中的应用。针对上述滚动轴承 预测中出现的新的问题和发展方向，基于 框架对预测过程中出现的各个环节进行了梳理和讨论。首先在实验数据的基础上，对滚动轴承振动信号的产生机理、信号降噪、特征提取、降维和融合及得到的性能退化指标进行介绍与对比。然后结合数据驱动算法，对滚动轴承的 预测方法、模型选择和评估标准进行了阐述，并对其发展趋势进行了讨论和展望。性能退化指标 试验数据及分析 中 的预测涉及特征提取、运行状态监测、故障诊断等内容，其中运行状态监测用于判断运行状态是否正常，如果发生故障，需要对故障类型和损伤程度进行识别。然后再以当前装备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及历史数据，对滚动轴承的 进行预测，从而定量的对滚动轴承的健康状态进行描述，形成最终决策。上述各部分内容的研究均需要滚动轴承试验数据的支撑，需要对其运行信号特点进行分析，进而提取特征进行定量表征。收集的滚动轴承数据包括基于加速寿命试验的滚动轴承寿命数据、人工故障轴承数据、轴承全寿命数据、全寿命数据、轴承 预测竞赛数据、变转速轴承测试数据、复合故障轴承数据以及作者在杭州轴承试验研究中心（）采集的滚动轴承全寿命数据，轴承的相应测试装置如图 所示。机 械 科 学 与 技 术第 卷：图 滚动轴承测试装置在研究滚动轴承振动信号过程中，主要研究轴承因磨损损坏而产生的振动。损伤引起的振动有两种类型：一种是由轴承损伤点处受到反复撞击而产生的，其频率与轴承的性质有关；另一种是因损伤冲击而诱发的高频固有振动。因此，在试验的基础上进行滚动轴承动力学建模，是深入理解故障产生机理的重要手段，为滚动轴承 研究提供理论研究基础。等开发了非平稳条件下滚动轴承故障信号的仿真平台，该平台可以模拟单一轴承故障，或者多级变速箱中的单点局部故障和分散轴承故障，还可以考虑输入轴的变速剖面，以及线性定常系统的循环平稳贡献和影响。特征提取与融合 信号降噪信号预处理方法包括平滑处理、剔除奇异值点、消除趋势项和降噪等，其中信号降噪对微弱特征的提取至关重要。对于滚动轴承故障信号，常用的降噪方法包括信号重构降噪、故障信号增强降噪和稀疏分解降噪。）信号重构降噪方法最为常见的是小波降噪，主要有空域相关滤波和小波域阈值滤波两种，其中空域相关滤波通过考虑信号的小波系数在不同尺度间的相关性强弱进行筛选，小波域阈值滤波则是通过设定阈值进行去噪。在此基础上发展起来的方法有小波包分解降噪、以经验模态分解为代表的自适应模态分解降噪等。其它信号重构方法包括混沌序列相空间重构、奇异值分解降噪和形态滤波降噪等。）故障信号增强方法的特点是通过数学方法放大故障信号中的冲击成分，进而突出故障信息，主要方法有 能量算子及其改进方法、稀疏编码收缩、最小熵解卷积方法、最大相关峭度解卷积算法和随机共振等。）信号稀疏表达方法如匹配追踪、基追踪等通过原子分解对振动信号进行近似表达，从而实现故障信号的稀疏分解。原子分解建立在冗余字典的基础上，包括傅里叶原子库、小波原子库、脉冲原子库以及线性调频原子库等。特征提取提取的故障特征分为时域统计特征、频域特征、非线性特征以及时频域图像特征等。时域统计特征和频域特征如表 和表 所示。针对滚动轴承故障信号的随机性特点，在统计特征方面除表 中非参数统计量外，还可以提取概率分布的特征。例如陈昌等对采集的全寿命振动信号逐个时间点进行希尔伯特变换，保证信号变换后的非负性，然后采用威布尔分布进行拟合，提取形状参数作为滚动轴承的性能退化指标。该方法简单易行，但在滚动轴承的全寿命过程中无法保证每个时间点的振动信号都符合威布尔分布。为避免分布假设，等基于非参数（）检验统计量直接对原始振动信号进行分析，实现了滚动轴承的运行状态监测，因此更具有通用性。另外，等梳理了近年来谱峭度在滚动轴承故障诊断与预测中的应用。针对滚动轴承故障信号的非线性特点，用于表征故障的非线性特征包括数学形态学分形维数、分形谱参数、李雅普诺夫指数、复杂度等以及熵等。其中，熵是一种表征振动信号复杂度的方法，具有明晰的物理意义。滚动轴承运行初期，采集信号主要是正常振动信号和背景噪声，呈现很强的随机性，因此对应的熵值就会很大；当滚动轴承存在故障时，采集到的信号具有周期性冲击特点；当故障较为严重时，冲击信号比干扰噪声更为明显，因此对应的熵值就会较低。迄今为止，表征滚动轴承状态信息的熵值基本量有近似熵、样本熵、模糊熵、排列熵、散布熵和维纳熵等，以及在此基础上对基本量进行多尺度化、精细化、广义化、复合化等得到不同类型的改进熵。另外，基于信号分解得到的熵包括复小波包能量矩熵、经验模态分解能量熵、局部特征尺度分解相对谱熵等。其它常用的熵值还包括功率谱熵、包络谱熵、奇异值熵、符号动力学熵等。第 期 张金豹，等：滚动轴承剩余使用寿命预测综述：表 时域统计特征名称表达式均值 均方根值 偏度 （）（）偏度因数脉冲因数峰值因数裕度因数 （）（）能量算子 （）（）其中，（），名称表达式标准差 （）方根幅值 峭度 （）（）峭度因数波形因数复杂度 （）波长 （）（）坡度变化 （）（）名称表达式最大值 绝对平均幅值 上限（）（）（）峰 峰值（）（）逆双曲线正弦标准差（）零跨越 （）对数监测值 表 频域特征名称表达式谱幅值均值 谱幅值峭度 （）（）谱根矩比 （）（）谱变异系数谱频率峭度 名称表达式谱幅值标准差 （）谱频率重心 （）（）()（）（）（），其中 （）名称表达式