CN111435105B - 基于振动频谱图的轴承和故障频率识别 - Google Patents

基于振动频谱图的轴承和故障频率识别 Download PDF

Info

Publication number
CN111435105B
CN111435105B CN201911105369.8A CN201911105369A CN111435105B CN 111435105 B CN111435105 B CN 111435105B CN 201911105369 A CN201911105369 A CN 201911105369A CN 111435105 B CN111435105 B CN 111435105B
Authority
CN
China
Prior art keywords
vibration
frequency
bearing
identified
bearings
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911105369.8A
Other languages
English (en)
Other versions
CN111435105A (zh
Inventor
A·J·海森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computational Systems Inc
Original Assignee
Computational Systems Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Computational Systems Inc filed Critical Computational Systems Inc
Publication of CN111435105A publication Critical patent/CN111435105A/zh
Application granted granted Critical
Publication of CN111435105B publication Critical patent/CN111435105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C19/00—Bearings with rolling contact, for exclusively rotary movement
    • F16C19/52—Bearings with rolling contact, for exclusively rotary movement with devices affected by abnormal or undesired conditions
    • F16C19/527—Bearings with rolling contact, for exclusively rotary movement with devices affected by abnormal or undesired conditions related to vibration and noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C19/00—Bearings with rolling contact, for exclusively rotary movement
    • F16C19/02—Bearings with rolling contact, for exclusively rotary movement with bearing balls essentially of the same size in one or more circular rows
    • F16C19/04—Bearings with rolling contact, for exclusively rotary movement with bearing balls essentially of the same size in one or more circular rows for radial load mainly
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C19/00—Bearings with rolling contact, for exclusively rotary movement
    • F16C19/02—Bearings with rolling contact, for exclusively rotary movement with bearing balls essentially of the same size in one or more circular rows
    • F16C19/04—Bearings with rolling contact, for exclusively rotary movement with bearing balls essentially of the same size in one or more circular rows for radial load mainly
    • F16C19/06—Bearings with rolling contact, for exclusively rotary movement with bearing balls essentially of the same size in one or more circular rows for radial load mainly with a single row or balls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2233/00—Monitoring condition, e.g. temperature, load, vibration

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

振动测量和分析***根据频谱振动数据识别机器中的故障轴承。所述***包括附接到所述机器上产生振动信号的振动传感器。振动数据采集器根据所述振动信号生成振动频谱数据。所述振动频谱数据包括振幅与频率关系数据，其包括在对应峰值频率处的峰值幅度。所述峰值幅度中的至少一些与所述故障轴承产生的振动有关。振动分析计算机处理所述振动频谱数据以(1)定位所述最大峰值幅度，(2)搜索轴承故障频率库以生成已识别轴承的列表，这些轴承的轴承故障频率与最大峰值幅度的峰值频率相匹配，(3)确定每个已识别轴承的标准化精度误差，并且(4)从所述列表中选择具有最小标准化精度误差的已识别轴承。

Description

基于振动频谱图的轴承和故障频率识别
技术领域
本发明涉及机器振动数据分析领域。更具体地，本发明涉及一种用于分析预测性维护机器振动频谱以确定是否存在轴承故障，并在存在故障的情况下确定故障类型的***。
背景技术
如图1所示，典型的滚动轴承包括外圈、内圈、设置在内圈和外圈之间的保持器区域以及设置在保持器中的滚动元件(滚珠)。这种滚动轴承具有特定的轴承失效模式，可以在振动频谱数据中观察到。因为轴承频率是缺陷频率，所以与轴承缺陷相关联的振动频谱峰值频率与机器振动频谱中存在的某些其它振动频率有很大不同。每个缺陷频率都与轴承的特定部件有关。例如，如果在频谱中出现外圈通过频率(Ball Pass Frequency OuterRace，BPFO)的缺陷频率，则轴承外圈存在缺陷。如果在频谱中出现滚珠旋转频率(BallSpin Frequency，BSF)，则一个或多个滚子存在缺陷。对于所有缺陷频率都是如此，除了基本传动系频率(Fundamental Train Frequency，FTF)或保持器频率之外，因为它们可能会由于保持器自身缺陷以外的原因而出现在频谱中。
分析预测性维护机器振动频谱以确定是否存在轴承故障，然后确定故障的种类，需要知道与被监测轴承相关联的故障频率。如果分析人员不了解相关的轴承性能，那么几乎不可能准确判断轴承故障。
所需要的是确定与频谱峰值最匹配的轴承故障频率的过程。这将有助于识别可能存在故障的轴承。此过程的先决条件是振动频谱中存在实际的轴承故障频谱峰值(即，至少存在轴承故障)。否则，很难区分轴承故障峰和一般噪声峰。
发明内容
本文描述的实施例提供了一种装置和方法，用于基于测量的机器振动频谱来识别机器轴承故障频率，从而从扩展的轴承库中识别哪些轴承与检测到的故障频率匹配。
一旦识别了轴承故障频率，就可以趋势化内圈、外圈、滚珠旋转和保持器间隔带能(每一类能量带的所有谐波峰的总和)以及典型的非同步间隔带能量。
基于振动频谱中的峰值来识别轴承故障频率的关键因素是对机器转速的了解有多高的准确度。在许多情况下，尤其是在基于路径的便携式振动数据采集中，机器转速是手动记录的，因此通常不够准确。转速算法用于准确地确定转速。
振动测量和分析***可满足上述和其它需求，该***可基于频谱振动数据识别机器中的一个或多个故障轴承。该***包括一个或多个振动传感器、一个或多个振动数据采集器和振动分析计算机。振动传感器与机器相连，并根据机器的振动产生振动信号。一个或多个振动数据采集器包括模数转换电路和处理电路，其根据振动信号产生振动频谱数据。振动频谱数据包括振幅与频率数据，其包括在对应的峰值频率处的多个峰值幅度。峰值幅度中的至少一些与一个或多个故障轴承产生的振动有关。
振动分析计算机接收振动频谱数据并执行以下指令：
-在振动频谱数据中定位最大峰值幅度；
-搜索轴承故障频率库，以生成已识别轴承的列表，这些轴承的轴承故障频率在频谱频率容限范围内与最大峰值幅度的峰值频率匹配；以及
-确定列表中每个已识别轴承的标准化精度误差；以及
-从列表中选择具有最小标准化精度误差的已识别轴承中的一个。
在一些实施例中，在选择具有最小标准化精度误差的已识别轴承之前，振动分析计算机执行指令以基于标准化精度误差对已识别轴承的列表进行排序。
在一些实施例中，振动分析计算机通过执行以下指令来确定标准化精度误差：
-确定最大幅度峰值的最大峰值幅度；
-将频谱频率容限设置为选定值；
-将标准化精度误差设置为初始值；
-对于最大幅度峰值中的每一个和与最大峰值幅度的峰值频率匹配的每个轴承故障频率的每个谐波，通过以下公式连续计算而从初始值降低标准化精度误差
Figure BDA0002271126010000021
其中，Er是标准化精度误差，Ftol是频谱频率容限，Ap是峰值幅度，Amax是最大峰值幅度，Ff是轴承故障频率或其谐波，而Fp是峰值频率。
在一些实施例中，振动分析计算机确定多个轴承故障频率值的标准化精度误差，所述多个轴承故障频率值包括内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)。
在一些实施例中，频谱频率容限Ftol的选定值是振动频谱数据的频率分辨率的至少两倍。
在一些实施例中，振动分析计算机包括用户界面，并执行指令以从列表中自动选择具有最小标准化精度误差的已识别轴承，并通过用户界面将该选择传送给用户。
在一些实施例中，振动分析计算机执行指令以在用户界面上显示已识别轴承的列表，并接收由用户经由用户界面输入的已识别轴承的选择。
在一些实施例中，对于具有最小标准化精度误差的已识别轴承，振动分析计算机执行指令以在一段时间内为内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个生成和趋势化一个或多个能量带标量值。
在一些实施例中，所述振动分析计算机执行指令，根据轴承故障频率的相似度和已识别轴承中的滚珠的数量对已识别轴承进行分组，以合并已识别轴承的列表。
在一些实施例中，一个或多个振动数据采集器包括便携式振动分析仪或连续在线振动监测***或同时包括两者。
在另一方面，本发明实施例提供了一种基于频谱振动数据识别机器中一个或多个故障轴承的方法。该方法包括以下步骤：
(a)使用附接到所述机器上的一个或多个振动传感器生成振动信号；
(b)基于振动信号生成振动频谱数据，其中该振动频谱数据包括振幅与频率关系数据，其包括在对应峰值频率处的峰值幅度，其中峰值幅度中的至少一些与一个或多个故障轴承产生的振动相关联；
(c)在振动频谱数据中定位最大峰值幅度；
(d)对轴承故障频率库执行电子搜索，以生成已识别轴承的列表，每个所述轴承都有轴承故障频率，在频谱频率容限范围内与最大峰值幅度的一个峰值频率匹配；
(e)确定列表中每个已识别轴承的标准化精度误差；以及
(f)从列表中选择具有最小标准化精度误差的已识别轴承中的一个。
在一些实施例中，在步骤(d)之后且在步骤(f)之前，该方法包括基于已识别轴承的标准化精度误差对其列表进行排序。
在一些实施例中，步骤(e)包括：
(e1)确定最大幅度峰值的最大峰值幅度；
(e2)将频谱频率容限设置为选定值；
(e3)将标准化精度误差设置为初始值；
(e4)对于最大幅度峰值中的每一个和与最大峰值幅度的峰值频率匹配的每个轴承故障频率的每个谐波，通过以下公式连续计算从初始值降低标准化精度误差，
Figure BDA0002271126010000031
其中，Er是标准化精度误差，Ftol是频谱频率容限，Ap是峰值幅度，Amax是最大峰值幅度，Ff是轴承故障频率或其谐波，而Fp是峰值频率。
在一些实施例中，所述方法包括对多个轴承故障频率值执行步骤(e4)，所述多个轴承故障频率值包括内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个。
在一些实施例中，步骤(e2)包括将频谱频率容限Ftol设置为振动频谱数据的频率分辨率的至少两倍的选定值。
在一些实施例中，步骤(f)包括从所述列表中自动选择具有最小标准化精度误差的已识别轴承，并通过用户界面将所述选择传送给用户。
在一些实施例中，步骤(f)包括在用户界面上显示已识别轴承的列表，并接收由用户经由用户界面输入的已识别轴承的选择。
在一些实施例中，所述方法还包括对于具有最小标准化精度误差的已识别轴承，在一段时间内为内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个生成和趋势化一个或多个能量带标量值。
在一些实施例中，所述方法包括根据轴承故障频率的相似度和已识别轴承中的滚珠的数量对已识别轴承进行分组，以合并已识别轴承的列表。
附图说明
通过参考结合附图的详细描述，本发明的其它实施例将变得显而易见，其中，元件未按比例绘制是为了更清楚地示出细节，其中，在若干视图中相同的附图标记表示相同的元件，并且其中：
图1示出了滚动轴承的典型机械结构；
图2示出了根据本发明实施例的振动测量和分析***；
图3至图5示出了根据本发明实施例的用于分析振动频谱数据以确定轴承故障的类型的过程；以及
图6和图7示出了振动频谱的示例，所述振动频谱具有与诊断的轴承故障相关联的谐波峰，所述诊断的轴承故障在本发明实施例中测量和分析。
具体实施方式
如图2所示，振动测量和分析***包括附接到机器12的振动传感器16。图3示出了使用图2的***执行的过程100，用于采集和分析振动数据以识别机器12中的轴承故障的类型。机器12包括至少一个旋转部件14，例如由轴承B1、B2和B3支撑的轴。振动传感器16优选地放置在机器12上每个轴承位置上的垂直、水平和轴向位置。因此，可有三个传感器16与每个轴承B1、B2和B3相关联。振动传感器16产生表示机器12的振动的振动信号，该机器包括与轴承B1、B2和B3相关联的振动部件。通过一个或多个振动数据采集器，例如便携式振动分析仪18或连续在线振动监测***20，接收、调节所述振动信号并将其转换为时间波形数字数据(步骤102和104)。振动数据采集器18和20包括信号调节电路和模数转换电路，用于调节来自传感器16的振动信号并基于其产生时间波形数字振动数据。
在优选实施例中，便携式振动分析仪18或连续在线振动监测***20对振动时间波形数据执行快速傅里叶变换(FFT)以生成振动频谱数据。振动时间波形数据和振动频谱数据优选地存储在振动数据库22中，可以通过在振动分析计算机24上执行的软件例程对获取自该数据库的数据进行分析(步骤106)。在优选实施例中，***10包括用户界面28(例如触摸屏)，其允许用户查看测量结果、选择某些测量参数并提供本文所述的其它输入。
因为轴承故障频率与转速有关，所以振动频谱的一个重要特性是被监测的机器12的旋转部件14的转速。在许多情况下，转速记录得不是很准确，这是使用便携式振动分析仪时经常出现的问题。旋转速度算法可用于精确地确定旋转速度(步骤108)，例如标题为“Determination of RPM from Vibration Spectral Plots”、序列号为15/946,403的美国专利申请中所描述，其全部内容通过引用并入本文。
通常，确定振动频谱中振幅峰值的频率仅与频谱分辨率一样准确。通过使用峰值定位过程可以提高分辨率，该峰值定位过程考虑了相邻点，以更精确地确定幅度峰值及其关联的频率(步骤110)。在优选实施例中，该算法使用最大的M个峰值。例如，M可以是五十(50)。
应该理解的是，对于变速机械，即使采用上述转速算法，如果在获取振动时间波形(从中获取频谱)的过程中机器的转速略有变化，仍可能存在一些小的误差。可以通过将频率容限(Ftol)设置在适当的水平上来部分补偿这种轻微的速度变化(步骤112)。Ftol通常设置为FFT频谱的频率分辨率的两倍，从而避免遗漏轴承故障频率峰值位置上发生的小变化。如有必要，用户可以调整Ftol。
在优选实施例中，下一步骤是确定频谱中的最大峰值幅度Amax(步骤114)。
对于步骤110中的每个幅度峰值，对轴承故障频率库执行搜索(步骤116、118和120)，以识别具有与步骤110中M个峰值的频率相匹配的故障频率的轴承。在优选实施例中，轴承故障频率库是大约100000个轴承及其相关联故障频率的数据库。那些故障频率优选地包括内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)。本领域普通技术人员将理解，仅当频谱至少包含与轴承故障的发生相关联的峰值时，才可能识别具有匹配故障频率的轴承。
在识别所述轴承后，就根据出现故障的最高可能性对它们进行分类(步骤122)。在优选实施例中，通过对每种轴承故障类型进行标准化精度误差Er求和，然后按升序排序(即最小误差在前)，对轴承进行排序。首先列出最可能有故障的轴承。下文将更加详述如何确定标准化精度误差Er。
在优选实施例中，***10然后自动选择最有可能的故障轴承，或者在用户界面28上显示最有可能的故障轴承的列表，使用户从该列表中进行选择(步骤124)。通过指定特定轴承或限制用户从中选择轴承的列表，***10在机器维护领域具有显著的优势。如果没有***10提供的这些选择信息，振动分析人员就必须从存储在轴承故障库26中的数千个故障轴承中选择故障轴承。如果先前已经识别出轴承，则步骤124可以确认轴承没有被更换。
因为许多轴承具有相同或非常相似的故障频率，所以最可能的轴承可以进一步合并为最可能的故障频率(步骤126)。如果用户不确定被监测的机器中使用的实际轴承，用户可以从合并列表中选择最合适的故障频率集与机器相关联。
最后，在了解故障频率集的情况下，通过对每个带型的所有谐波峰的能量带标量值进行求和，自动地导出并趋势化BPFI、BPFO、BSF和FTF间隔“能量”带标量测量值(步骤128)。这些信息使分析人员可以监测轴承故障的进展，而不必具备分析每一个频谱的相关知识或时间。
在机器的使用期限内，在维修过程中，可能会更换损坏或磨损的轴承。因此，每次更换轴承时存储实际的轴承故障频率集是有益的，这有助于重新评估历史数据。
参考图2和图3，优选实施例在步骤118中提供了搜索匹配轴承故障频率峰值的两种方法。最普遍的情况是在轴承故障频率库中搜索频谱中所有已定位的峰值，以找到与每个轴承的BPFI、BPFO、BSF和FTF故障频率匹配的选项(步骤118a和118b)。更有针对性的方法是，分析人员选择感兴趣的特定频谱峰值，例如BPFI、BPFO或BSF峰值，然后在轴承故障频率库中搜索仅与该特定峰值匹配的选项(即，峰值列表仅包含选定的峰值)(步骤118a和118c)。通常，这会生成更短的潜在轴承匹配列表。在优选实施例中，用户通过单击该峰值或将光标悬停在该峰值上，然后使用鼠标右键单击以显示选项的下拉菜单，来选择显示在用户界面28上的图形频谱中的特定峰值，其中下拉菜单的一个选项是搜索轴承故障频率库26中仅与该特定峰值匹配的选项。
图4示出了轴承故障频率评估过程的优选实施例。该过程包括搜索峰值列表中的所有峰值，以及在指定峰值频率容限(Ftol)范围内查找与选定的峰值(FP)的频率相匹配的轴承故障频率(Ff)(步骤130)。具体来说，该过程包括：针对内圈BPFI故障频率(Ff)及其上下边带(FSL和FSH)的转速(RS)的每个谐波(N)，查找最近频谱峰值(FP)的频率，且每个频率都在选定的频率容限(Ftol)范围内，其中
Ff＝N×RS×BPFI
FSL＝Ff-RS
FSH＝Ff+Rs
频率容限(Ftol)一般设置为频谱仓宽度的两倍，但可设置更大容限，因为轴承磨损会导致轴承故障频率峰值发生一些变化。
对于找到匹配项的那些轴承，计算标准化精度误差Er(步骤132)。标准化误差算法通过将频谱频率容限Ftol(即能找到的最近峰值的频谱仓的数量)乘以标准化峰值幅度Ap/Amax(相对峰值重要性)，然后除以故障频率谐波(Ff)与找到的最近峰值(FP)之间频率差的绝对值，使误差Er从初始任意值100连续减小。例如，如果找到Ff的峰值频率Fp，则
Figure BDA0002271126010000071
如果找到FSL的峰值频率Fp，则
Figure BDA0002271126010000072
如果找到FSH的峰值频率Fp，则
Figure BDA0002271126010000073
然后对每个其它类型的轴承故障频率(对BPFO执行步骤134和136，对BSF执行步骤138和140，对FTF执行步骤142和144)的每个谐波执行这一过程。如果分析人员选择了特定类型的故障进行考虑，则仅评估该轴承故障类型。对于找到匹配项的每个轴承，保存总误差Er(步骤146)。
示例
图6的上半部分示出了具有诊断出轴承故障的已知轴承的频谱以及相关联的BPFO、BPFI和BSF谐波峰值。在图6的下半部分中，匹配趋势图示出了在机器运行的六年中内圈、外圈、滚珠旋转和保持器间隔带“能量”的趋势。该趋势清楚地表明，在所示时间范围内的第六年发生了轴承故障。
图7的上半部分示出了具有与频谱峰值最匹配的故障频率的轴承的频谱以及相关联的BPFO、BPFI和BSF谐波峰值。在此示例中，发现1669个轴承的故障频率在彼此的0.001范围之内，并且有相同数量的滚珠。图7的下半部分的匹配趋势图示出了在机器运行的六年中内圈、外圈、滚珠旋转和保持器间隔带“能量”的趋势。同样，趋势清楚地表明在所示时间范围内的第六年发生了轴承故障。
为了说明和描述的目的，已经提供了本发明的优选实施例的前述描述。它们并非旨在穷尽或将本发明限制为所公开的精确形式。根据上述教导，明显的修改或变化是可能的。选择和描述所述实施例是为了对本发明原理及其实际应用提供最佳说明，并且使本领域普通技术人员能够在各种实施例中利用本发明和适合预期特定用途的各种修改。当所有这些修改和变化根据公平、合法和公正原则进行解释时，其都属于由所附权利要求确定的本发明的范围内。

Claims (17)

1.一种基于频谱振动数据识别机器中一个或多个故障轴承的振动测量和分析***，所述机器包括以一定旋转速度旋转的旋转部件，所述振动测量和分析***包括：
一个或多个振动传感器，附接到所述机器上的根据机器的振动产生振动信号；
与所述一个或多个振动传感器电通信的一个或多个振动数据采集器，所述一个或多个振动数据采集器包括模数转换电路和基于所述振动信号生成振动频谱数据的处理电路，其中，所述振动频谱数据包括振幅与频率关系数据，所述振幅与频率关系数据包括在对应峰值频率处的多个峰值幅度，其中所述峰值幅度中的至少一些与所述一个或多个故障轴承产生的振动相关联；
振动分析计算机，接收由所述一个或多个振动数据采集器产生的振动频谱数据，所述振动分析计算机可操作以执行以下指令：
在所述振动频谱数据中定位多个最大峰值幅度；
搜索轴承故障频率库，以生成已识别轴承的列表，所述已识别轴承的轴承故障频率在频谱频率容限范围内与所述多个最大峰值幅度的峰值频率匹配；
通过执行以下指令确定所述列表中每个已识别轴承的标准化精度误差：
确定所述多个最大峰值幅度的最大峰值幅度；
将所述频谱频率容限设置为选定值；
将所述标准化精度误差设置为初始值；
对于所述多个最大峰值幅度的每一个和与所述多个最大峰值幅度的峰值频率匹配的轴承故障频率中的每个轴承故障频率的每个谐波，通过以下公式连续计算从初始值降低所述标准化精度误差，
Figure FDA0003418191560000011
其中，Er是所述标准化精度误差，Ftol是所述频谱频率容限，Ap是所述峰值幅度，Amax是所述最大峰值幅度，Ff是所述轴承故障频率或其谐波，而Fp是所述峰值频率；以及
从所述列表中选择具有最小标准化精度误差的已识别轴承。
2.根据权利要求1所述的振动测量和分析***，其中，在选择具有最小标准化精度误差的已识别轴承中的一个之前，所述振动分析计算机执行指令以基于所述标准化精度误差对已识别轴承的列表进行排序。
3.根据权利要求1所述的振动测量和分析***，其中，所述振动分析计算机确定多个轴承故障频率值的所述标准化精度误差，所述多个轴承故障频率值包括内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个。
4.根据权利要求1所述的振动测量和分析***，其中所述频谱频率容限Ftol的选定值是所述振动频谱数据的频率分辨率的至少两倍。
5.根据权利要求1所述的振动测量和分析***，其中所述振动分析计算机包括用户界面，所述振动分析计算机执行指令以从所述列表中自动选择具有最小标准化精度误差的已识别轴承，并通过所述用户界面将该选择传送给用户。
6.根据权利要求1所述的振动测量和分析***，其中所述振动分析计算机包括用户界面，且所述振动分析计算机执行指令以在所述用户界面上显示已识别轴承的列表，并接收由用户经由所述用户界面输入的已识别轴承的选择。
7.根据权利要求1所述的振动测量和分析***，其中所述振动分析计算机执行指令以在一段时间内对每一类能量带的所有谐波峰值上的能量求和，来生成和趋势化一个或多个能量带标量值，其中，所述能量带标量值包括具有最小标准化精度误差的已识别轴承的内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个。
8.根据权利要求1所述的振动测量和分析***，其中所述振动分析计算机执行指令，根据轴承故障频率的相似度和所述已识别轴承中的滚珠的数量对所述已识别轴承进行分组，以合并已识别轴承的列表。
9.根据权利要求1所述的振动测量和分析***，其中所述一个或多个振动数据采集器包括便携式振动分析仪和连续在线振动监测***中的一个或两个。
10.一种用于基于频谱振动数据识别机器中一个或多个故障轴承的方法，所述机器包括以一定旋转速度旋转的旋转部件，所述方法包括：
(a)使用附接到所述机器上的一个或多个振动传感器生成振动信号；
(b)基于所述振动信号生成振动频谱数据，其中，所述振动频谱数据包括振幅与频率关系数据，所述振幅与频率关系数据包括在对应峰值频率处的多个峰值幅度，其中，所述峰值幅度中的至少一些与所述一个或多个故障轴承产生的振动相关联；
(c)在所述振动频谱数据中定位多个最大峰值幅度；
(d)对轴承故障频率库执行电子搜索，以生成已识别轴承的列表，每个所述轴承都有轴承故障频率，在频谱频率容限范围内与所述多个最大峰值幅度的峰值频率中的一个匹配；
(e)通过以下方式确定所述列表中每个已识别轴承的标准化精度误差：
(e1)确定所述多个最大峰值幅度的最大峰值幅度；
(e2)将所述频谱频率容限设置为选定值；
(e3)将所述标准化精度误差设置为初始值；
(e4)对于所述多个最大峰值幅度的每一个和与所述多个最大峰值幅度的峰值频率匹配的轴承故障频率中的每个轴承故障频率的每个谐波，通过以下公式连续计算从初始值降低所述标准化精度误差，
Figure FDA0003418191560000031
其中，Er是所述标准化精度误差，Ftol是所述频谱频率容限，Ap是所述峰值幅度，Amax是所述最大峰值幅度，Ff是所述轴承故障频率或其谐波，而Fp是所述峰值频率；以及
(f)从所述列表中选择具有最小标准化精度误差的所述已识别轴承中的一个。
11.根据权利要求10所述的方法，还包括在步骤(d)之后和步骤(f)之前，根据已识别轴承的标准化精度误差对已识别轴承的列表进行排序。
12.根据权利要求10所述的方法，还包括对多个轴承故障频率值执行步骤(e4)，所述多个轴承故障频率值包括内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个。
13.根据权利要求10所述的方法，其中步骤(e2)包括将所述频谱频率容限Ftol设置为所述选定值是所述振动频谱数据的频率分辨率的至少两倍。
14.根据权利要求10所述的方法，其中步骤(f)包括从所述列表中自动选择具有最小标准化精度误差的已识别轴承，并通过用户界面将所述选择传送给用户。
15.根据权利要求10所述的方法，其中步骤(f)包括在用户界面上显示已识别轴承的列表，并接收由用户经由所述用户界面输入的已识别轴承的选择。
16.根据权利要求10所述的方法，还包括在一段时间内对每一类能量带的所有谐波峰值上的能量求和，来生成和趋势化一个或多个能量带标量值，其中，所述能量带标量值包括具有最小标准化精度误差的已识别轴承的内圈通过频率(BPFI)、外圈通过频率(BPFO)、滚珠旋转频率(BSF)和基本传动系频率(FTF)中的一个或多个。
17.根据权利要求10所述的方法，还包括根据轴承故障频率的相似度和所述已识别轴承中的滚珠的数量对所述已识别轴承进行分组，以合并已识别轴承的列表。
CN201911105369.8A 2019-01-15 2019-11-13 基于振动频谱图的轴承和故障频率识别 Active CN111435105B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/248,345 2019-01-15
US16/248,345 US11506569B2 (en) 2019-01-15 2019-01-15 Bearing and fault frequency identification from vibration spectral plots

Publications (2)

Publication Number Publication Date
CN111435105A CN111435105A (zh) 2020-07-21
CN111435105B true CN111435105B (zh) 2022-03-22

Family

ID=71131868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911105369.8A Active CN111435105B (zh) 2019-01-15 2019-11-13 基于振动频谱图的轴承和故障频率识别

Country Status (3)

Country Link
US (1) US11506569B2 (zh)
CN (1) CN111435105B (zh)
DE (1) DE102019127085B4 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11643301B2 (en) * 2019-10-28 2023-05-09 Otis Elevator Company System and method for monitoring sheave bearing condition
US20220057295A1 (en) * 2020-08-18 2022-02-24 Aktiebolaget Skf Swept pattern probability calculation for speed and defect identification
JP2022097177A (ja) * 2020-12-18 2022-06-30 ミツミ電機株式会社 異常検出装置、異常検出方法、異常検出プログラム
CN112597958B (zh) * 2020-12-29 2023-04-07 哈工大机器人（合肥）国际创新研究院 一种滚动轴承故障自动识别方法及***
CN113029569B (zh) * 2021-03-11 2022-04-29 北京交通大学 一种基于循环强度指数的列车轴承自主故障识别方法
CN113804388B (zh) * 2021-09-15 2024-04-02 西安因联信息科技有限公司 基于时域分析的机械设备旋转冲击故障检测方法及***
CN114674552B (zh) * 2022-03-21 2023-11-24 烟台杰瑞石油装备技术有限公司 齿轮箱的故障判别方法
CN114722866B (zh) * 2022-03-28 2022-11-15 杭州中网智慧科技有限公司 一种基于工业互联网的设备追踪管控***
CN115310497A (zh) * 2022-10-11 2022-11-08 南通韦俐数控机床有限公司 用于数控机床轴承的异常识别方法
CN115931319B (zh) * 2022-10-27 2023-10-10 圣名科技(广州)有限责任公司 故障诊断方法、装置、电子设备及存储介质
CN115839846B (zh) * 2023-02-27 2023-06-20 济南嘉宏科技有限责任公司 一种基于无线传感器的设备故障预警诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102798529A (zh) * 2012-08-30 2012-11-28 桂林电子科技大学 大型风力机组轴承故障诊断方法及***
KR20160004156A (ko) * 2014-07-02 2016-01-12 울산대학교 산학협력단 베어링 고장 진단용 모함수 선택 방법 및 장치
WO2017145222A1 (ja) * 2016-02-22 2017-08-31 株式会社日立製作所 軸受劣化診断装置、軸受劣化診断方法及び軸受劣化診断システム
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN109061474A (zh) * 2018-10-15 2018-12-21 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321602B1 (en) * 1999-09-28 2001-11-27 Rockwell Science Center, Llc Condition based monitoring by vibrational analysis
FR2803036B1 (fr) 1999-12-23 2002-10-11 Snecma Detection de l'endommagement de pieces d'un moteur
US6802221B2 (en) * 2001-03-29 2004-10-12 General Electric Company System and method for conditioned-based monitoring of a bearing assembly
US6847917B2 (en) * 2001-05-24 2005-01-25 Simmonds Precision Products, Inc. Method and apparatus for selecting condition indicators in determining the health of a component
US7930111B2 (en) 2008-09-22 2011-04-19 General Electric Company Synthesized synchronous sampling and acceleration enveloping for differential bearing damage signature
US9091588B2 (en) * 2010-05-28 2015-07-28 Prognost Systems Gmbh System and method of mechanical fault detection based on signature detection
US9200979B2 (en) * 2011-04-15 2015-12-01 U.E. Systems, Inc. System for bearing fault detection
US9477223B2 (en) * 2011-09-14 2016-10-25 General Electric Company Condition monitoring system and method
FR2994261B1 (fr) * 2012-07-31 2014-07-18 Eurocopter France Procede de detection de defauts d'un roulement par analyse vibratoire
US9645046B2 (en) 2012-12-17 2017-05-09 General Electric Company Fault detection system and associated method
US9791856B2 (en) * 2013-01-25 2017-10-17 General Electric Company Fault frequency set detection system and method
DE102017124135B4 (de) 2016-10-21 2023-06-07 Computational Systems Inc. Maschinenfehlervorhersage basierend auf einer Analyse von periodischen Informationen in einem Signal
US10823749B2 (en) 2018-04-05 2020-11-03 Computational Systems, Inc. Determination of RPM from vibration spectral plots

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102798529A (zh) * 2012-08-30 2012-11-28 桂林电子科技大学 大型风力机组轴承故障诊断方法及***
KR20160004156A (ko) * 2014-07-02 2016-01-12 울산대학교 산학협력단 베어링 고장 진단용 모함수 선택 방법 및 장치
WO2017145222A1 (ja) * 2016-02-22 2017-08-31 株式会社日立製作所 軸受劣化診断装置、軸受劣化診断方法及び軸受劣化診断システム
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN109061474A (zh) * 2018-10-15 2018-12-21 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Also Published As

Publication number Publication date
DE102019127085B4 (de) 2023-06-07
DE102019127085A1 (de) 2020-07-16
US11506569B2 (en) 2022-11-22
US20200225117A1 (en) 2020-07-16
CN111435105A (zh) 2020-07-21

Similar Documents

Publication Publication Date Title
CN111435105B (zh) 基于振动频谱图的轴承和故障频率识别
US11009520B2 (en) Determination of machine rotational speed based on vibration spectral plots
US6802221B2 (en) System and method for conditioned-based monitoring of a bearing assembly
Shakya et al. Bearing diagnosis based on Mahalanobis–Taguchi–Gram–Schmidt method
JP3321487B2 (ja) 機器／設備診断方法およびシステム
US7822580B2 (en) Method and a system for monitoring the condition and operation of periodically moving objects
Jamaludin et al. Monitoring extremely slow rolling element bearings: part I
US9791856B2 (en) Fault frequency set detection system and method
CN109000921B (zh) 一种风电机组主轴故障的诊断方法
CN108195584B (zh) 一种基于准确度谱图的滚动轴承故障诊断方法
US11519930B2 (en) Determination of rpm from vibration spectral plots based on percentage RPM
US20230027207A1 (en) Determination of RPM Based on Vibration Spectral Plots and Speed Range
US11300482B2 (en) Graphical differentiation of spectral frequency families
JP7082585B2 (ja) 軸受情報解析装置及び軸受情報解析方法
CN106441899A (zh) 基于振动信号检测卫星动量轮轴承损伤诊断及筛选方法
US11898994B2 (en) Waveform acquisition optimization
US7069154B2 (en) Method and apparatus for detecting and automatically identifying defects in technical equipment
Baglio et al. On-line condition monitoring tool for nuclear research reactors coolant system components
Islam et al. Efficient bearing fault diagnosis by extracting intrinsic fault information using envelope power spectrum
Zusman et al. Overall vibration, severity levels and crest factor plus
JP2007278955A (ja) 転がり軸受の回転振れ信号分析装置および転がり軸受生産システム
Aherwar et al. Vibration analysis of machine fault signature
CN117571348A (zh) 浮空器故障诊断方法、装置、电子设备及存储介质
CN117076974A (zh) 一种基于阶次谱分析及分类模型的轴承故障无参数诊断方法
CN116601475A (zh) 用于确定飞行器的旋转机器中的一个或多个故障的方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant