CN114117655A - 用于估计轴承的剩余使用寿命的***、装置和方法 - Google Patents
用于估计轴承的剩余使用寿命的***、装置和方法 Download PDFInfo
- Publication number
- CN114117655A CN114117655A CN202110994210.7A CN202110994210A CN114117655A CN 114117655 A CN114117655 A CN 114117655A CN 202110994210 A CN202110994210 A CN 202110994210A CN 114117655 A CN114117655 A CN 114117655A
- Authority
- CN
- China
- Prior art keywords
- bearing
- defect
- useful life
- remaining useful
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 claims abstract description 101
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 16
- 238000005096 rolling process Methods 0.000 description 14
- 238000011109 contamination Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000000314 lubricant Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 238000005461 lubrication Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004901 spalling Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101100068402 Arabidopsis thaliana GL3 gene Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/08—Detecting presence of flaws or irregularities
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供用于估计轴承的剩余使用寿命的***(100)、装置(110)和方法。在一个实施例中,该方法包括从源(115、125、130)接收用于分析轴承中的缺陷的请求。该请求包括与轴承相关联的操作数据。该方法包括在一段时间内监测缺陷对轴承的影响。该方法包括使用机器学习模型确定在其期间缺陷对轴承的影响高于阈值范围的时间段。该方法包括计算在该时间段期间与缺陷相关联的影响的严重性。该方法包括在该时间段期间基于严重性和操作数据来确定轴承的剩余使用寿命。
Description
技术领域
本发明涉及轴承监测***的领域,并且更具体地涉及估计轴承的剩余使用寿命。
背景技术
轴承用于工业中的多种机器中,目的是减少两个旋转部件之间的摩擦。这些轴承还将旋转部件之间的相对运动限制为所需的运动。但是,由于诸如润滑不良和轴承结构内的污染等因素,轴承可能会意外失效。例如,由于温度过高,轴承内的润滑可能在轴承的操作阶段期间失效。由于杂质粒子、湿气等进入轴承的结构,可能会发生污染。上述因素导致轴承的故障模式,诸如腐蚀、剥落、点蚀、电蚀、塑性变形等。结果,轴承组件的预期疲劳寿命降低并且最终发生故障。因此,轴承故障可能会导致机器意外停机,从而导致生产和经济损失。在安全关键应用中,轴承故障也可能把人的生命置于危险之中。
鉴于上述情况,存在一种用于估计轴承的剩余使用寿命的需求。
发明内容
因此,本发明的一个目的是提供用于估计轴承的剩余使用寿命的***、设备和方法。
本发明的目的是通过一种用于估计轴承的剩余使用寿命的方法来实现的。
该方法包括接收用于分析轴承中的缺陷的请求。如本文使用的术语“缺陷”是指轴承内导致轴承异常操作的任何结构变形。该请求包括与轴承相关联的操作数据。在一个实施例中,操作数据包括与轴承相关联的至少一个感测单元的实时输出。必须理解的是,如本文使用的术语“感测单元”包括换能器和传感器。除了上述之外,请求还可以指定一个或多个轴承参数。
有利地,本发明有助于基于相应的操作数据估计任何尺寸的轴承的剩余使用寿命。
该方法包括在一段时间内监测缺陷对轴承的影响。如本文使用的术语“影响”是指由于缺陷引起的与轴承的正常操作的偏差。在一个实施例中,在监测缺陷的影响时,该方法包括监测至少一个感测单元的输出中的异常。
有利地,本发明有助于实时连续监测由于轴承中的缺陷造成的影响。
该方法包括使用机器学习模型确定在其期间缺陷对轴承的影响高于阈值范围的时间段。在一个实施例中,确定该时间段包括使用机器学习模型分析与轴承相关联的操作数据以确定该时间段。
有利地,使用机器学习模型来执行时间段的计算。结果,还可以检测到由低能量冲击引起的更短时间段。
该方法包括计算在该时间段期间与缺陷相关联的影响的严重性。在一个实施例中,在计算严重性时,该方法包括基于时间段的持续时间计算对应于缺陷的缺陷尺寸。如本文所使用的术语“缺陷尺寸”是指滚动元件在轴承操作期间在进入和离开缺陷之间行进的距离。
有利地,本发明使用缺陷尺寸来计算与缺陷相关联的影响的严重性。
该方法包括在该时间段期间基于严重性和操作数据来确定轴承的剩余使用寿命。如本文所使用的术语“剩余使用寿命”是指在可检测故障模式的启动与轴承的功能故障之间的持续时间。在优选实施例中,在确定剩余使用寿命时,该方法包括使用轴承的虚拟模型基于缺陷尺寸和操作数据计算与轴承相关联的动态参数。在一个实施例中,动态参数是轴承上的动态载荷。动态参数还可以与滚动元件在与缺陷接触时的接触力相关联或与接触应力相关联。
在一个实施例中,虚拟模型是基于与多个其他轴承相关联的仿真数据、实验数据和数学模型建立的。此外,基于动态参数配置轴承的剩余使用寿命模型。剩余使用寿命模型是将动态参数与轴承的寿命相关的动态模型。此外,基于配置的剩余使用寿命模型和操作数据计算轴承的剩余使用寿命。
有利地,本发明有助于使用缺陷尺寸来确定影响轴承退化的动态参数。
该方法包括在输出设备上产生指示轴承的剩余使用寿命的通知。除了剩余使用寿命之外,通知还可以包括与轴承相关联的诊断信息。例如,诊断信息可以指示缺陷尺寸、RUL曲线和RUL曲线上的退化状态的指示。
本发明的目的是通过一种用于估计轴承的剩余使用寿命的装置来实现的。该装置包括一个或多个处理单元,以及通信地耦合到该一个或多个处理单元的存储器单元。存储器单元包括以可由一个或多个处理单元执行的机器可读指令的形式存储的轴承管理模块。轴承管理模块被配置用于执行上述方法步骤。还可以使用诸如图形处理单元(GPU)、现场可编程门阵列(FPGA)或神经处理/计算引擎之类的协处理器来执行条件管理模块的执行。
根据本发明的一个实施例,该装置可以是边缘计算设备。如本文所使用的“边缘计算”是指能够在边缘设备上执行的计算环境(例如,一端连接到工业装置中的传感单元,以及另一端连接到(一个或多个)远程服务器,例如(一个或多个)计算服务器或(一个或多个)云计算服务器),这可能是一个紧凑的计算设备,在计算能力方面具有小形状因子和资源限制。边缘计算设备的网络也可以用于实现该装置。这种边缘计算设备网络被称为雾网络。
在另一个实施例中,该装置是具有基于云计算的平台的云计算***,其被配置为提供用于分析轴承中的缺陷的云服务。如本文所使用的“云计算”是指包括可配置的计算物理和逻辑资源(例如网络、服务器、储存、应用程序、服务等)和分布在网络(例如互联网)上的数据的处理环境。云计算平台可以实现为用于分析轴承中的缺陷的服务。换言之,云计算***提供对可配置计算物理和逻辑资源的共享池的按需网络访问。网络例如是有线网络、无线网络、通信网络或由这些网络的任意组合形成的网络。
此外,本发明的目的是通过一种用于估计轴承的剩余使用寿命的***来实现的。该***包括能够提供与轴承相关联的操作数据的一个或多个源和如上所述的装置,其通信地耦合到该一个或多个源。如本文所使用的术语“源”是指被配置为获得操作数据并将其传输到该装置的电子设备。源的非限制性示例包括感测单元、控制器和边缘设备。
本发明的目的还通过一种计算机可读介质来实现,在该介质上保存了计算机程序的程序代码段,该程序代码段可加载到处理器中和/或可由处理器执行,当程序代码部分被执行时该处理器执行上述方法。
附图说明
通过结合相应附图对本发明实施例的以下描述,本发明的上述属性、特征和优点以及实现它们的方式将变得更加明显和易于理解(清楚)。所说明的实施例旨在说明而非限制本发明。
图1A图示了根据本发明的实施例的用于估计轴承的剩余使用寿命的***的框图;
图1B图示了根据本发明的实施例的用于估计轴承的剩余使用寿命的装置的框图;
图2A图示滚珠轴承的结构;
图2B图示滚珠轴承的外圈中的缺陷;
图3图示了根据本发明的实施例的用于建立轴承的虚拟模型的实验测试装置;
图4A是根据本发明的实施例的图形用户界面视图,其示出为轴承产生的仿真结果的示例;
图4B是根据本发明的实施例的图形用户界面视图,示出了最大冲击力的实验值随角速度的变化;
图5是根据本发明的实施例的图形用户界面视图,示出了与三个轴承相关联的最大冲击力和加速度值之间的关系的表示;
图6描绘了根据本发明的实施例的用于估计轴承的剩余使用寿命的方法的流程图;
图7是根据本发明的实施例的示例性基于web的界面,其使用户能够从客户端设备提供一个或多个轴承参数的值;
图8是根据本发明的实施例的图形用户界面视图,其示出了在时域中加速度信号的示例;和
图9是根据本公开的实施例的图形用户界面视图,其示出了剩余使用寿命随着缺陷尺寸的增加而退化。
具体实施方式
以下,详细描述用于实施本发明的实施例。参考附图描述了各种实施例,其中相同的附图标记自始至终用于指代相同的元件。在以下描述中,出于解释的目的,阐述了许多具体细节以便提供对一个或多个实施例的透彻理解。可以很明显的是,可以在没有这些具体细节的情况下实践这样的实施例。
图1A图示了根据本发明的实施例的用于估计轴承105的剩余使用寿命的***100的框图。例如,轴承105可以是诸如工业电机(未示出)的旋转设备的一部分。轴承的非限制性示例包括深沟滚珠轴承、圆柱滚子轴承、圆锥滚子轴承、推力轴承、角接触滚珠轴承、滚针轴承等。在本实施例中,轴承105包括内圈、外圈以及布置在内圈和外圈之间的间隙中的多个滚动元件。轴承105还包括定位在内圈和外圈之间的保持架(cage),用于在滚动元件之间保持对称的径向间隙。稍后参考图2A在本公开中描述轴承的示例。
***100包括通信地耦合到一个或多个边缘设备115的装置110。一个或多个边缘设备115经由网络120(例如局域网(LAN)、广域网(WAN))、WiFi等)连接到装置110。每个边缘设备115被配置为从与轴承105相关联的至少一个感测单元125接收传感器数据。至少一个感测单元125可以包括例如振动传感器、速度传感器、加速度传感器和力传感器。传感器数据对应于至少一个感测单元125的输出。例如,来自至少一个感测单元125的输出可为振动数据、速度数据、加速度数据或力数据的形式。在一个实施例中,传感器数据通过边缘设备115上的数据采集接口获取。边缘设备115向装置110实时提供传感器数据。
此外,边缘设备115还被配置为向装置110提供与轴承105相关联的一个或多个轴承参数。该一个或多个轴承参数包括但不限于标准轴承编号、滚珠尺寸、轴承静载荷、材料密度、角速度、内部游隙(internal clearance)、轴承直径、滚动元件的数量、滚动元件的半径、内圈直径、外圈直径、疲劳载荷极限和轴承105中使用的润滑剂类型。必须理解的是,标准轴承编号指示某些规格,例如滚珠尺寸、轴承静载荷、材料密度、内部游隙、轴承直径、滚动元件的数量、滚动元件的半径、内圈直径、外圈直径,疲劳载荷极限,轴承宽度等,正如由轴承105的制造商提供的。因此,在一个实施例中,可以提供与轴承105相关联的标准轴承编号来代替上述轴承参数。
一个或多个轴承参数可以存储在边缘设备115的存储器中或者可以由操作员输入到边缘设备115。例如,边缘设备115可以通信地耦合到客户端设备130。客户端设备的非限制性示例包括个人计算机、工作站、个人数字助理、人机界面。客户端设备130可以使用户能够通过基于web的界面输入一个或多个轴承参数的值。在从用户接收到一个或多个轴承参数后,边缘设备115将用于分析轴承105中的缺陷的请求传输到装置110。由于轴承105中的故障模式的启动而出现缺陷。故障模式的非限制性的示例包括典型地在轴承105的外圈上的剥落、点蚀、塑性变形、磨损、电蚀和腐蚀。缺陷可能由于污染物的存在或由于轴承105内使用的润滑剂的特性而发生。请求包括一个或多个轴承参数以及传感器数据。
在本实施例中,装置110被部署在云计算环境中。如本文所用,“云计算环境”是指包括可配置计算物理和逻辑资源(例如网络、服务器、储存、应用程序、服务等)和分布在网络120(例如,互联网)上的数据的处理环境。云计算环境提供对可配置计算物理和逻辑资源共享池的按需网络访问。装置110可包括基于对应的传感器数据和一个或多个轴承参数估计给定轴承的剩余使用寿命的模块。此外,装置110可以包括用于经由网络120与一个或多个边缘设备115通信的网络接口。
如图1B中所示,装置110包括处理单元135、存储器单元140、储存单元145、通信单元150、网络接口155和标准接口或总线160。该装置110可以是计算机、工作站、主机硬件上运行的的虚拟机、微控制器或集成电路。作为替代,装置110可以是真实的或虚拟的计算机组(用于真实计算机组的技术术语是“集群”,用于虚拟计算机组的技术术语是“云”)。
如本文所用,术语“处理单元”135指任何类型的计算电路,例如但不限于微处理器、微控制器、复杂指令集计算微处理器、精简指令集计算微处理器、超长指令字微处理器、显式并行指令计算微处理器、图形处理器、数字信号处理器或任何其他类型的处理电路。处理单元135还可包括嵌入式控制器,例如通用或可编程逻辑器件或阵列、专用集成电路、单片计算机等。通常,处理单元135可以包括硬件元件和软件元件。处理单元135可以被配置为多线程,即处理单元135可以同时托管不同的计算过程,并行执行或者在主动和被动计算过程之间切换。
存储器单元140可以是易失性存储器和非易失性存储器。存储器单元140可以被耦合用于与处理单元135通信。处理单元135可以执行存储在存储器单元140中的指令和/或代码。各种计算机可读存储介质可以被存储在存储器单元140中并且从存储器单元140访问。该存储器单元140可以包括用于存储数据和机器可读指令的任何合适元件,诸如只读存储器、随机存取存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、硬盘驱动器、用于对光盘处理的可移除介质驱动器、数字视频磁盘、软盘、磁带盒、存储卡等。
该存储器单元140包括以任何上述储存介质上的机器可读指令形式的轴承管理模块165,并且可以是与处理单元135通信和由处理单元135执行。轴承管理模块165包括预处理模块170、影响监测模块175、严重性计算模块180、寿命估计模块185和通知模块190。预处理模块170被配置为接收用于分析轴承105中的缺陷的请求。该请求包括与轴承105相关联的操作数据和一个或多个轴承参数。影响监测模块175被配置用于在一段时间内监测缺陷对轴承105的影响。影响监测模块175还被配置用于通过使用机器学习模型确定在其期间缺陷对轴承105的影响高于阈值范围的时间段。严重性计算模块180被配置用于计算在该时间段期间与缺陷相关联的影响的严重性。寿命估计模块185被配置用于在该时间段期间基于严重性和操作数据来确定轴承105的剩余使用寿命。通知模块190被配置用于在输出设备上产生指示轴承105的剩余使用寿命的通知。在本实施例中,输出设备可以是客户端设备130。
储存单元145包括非易失性存储器,其存储与标准轴承编号相关联的默认轴承参数。储存单元145包括数据库195,该数据库195包括轴承参数的默认值和一个或多个查找表,该查找表包括用于随轴承105的操作条件而变化的因子的预定值。总线160充当处理单元135、存储器单元140、储存单元和网络接口155之间的互连。通信单元150使装置110能够从一个或多个边缘设备115接收请求。通信模块可以支持不同的标准通信协议,例如传输控制协议/互联网协议(TCP/IP)、Profinet、Profibus和互联网协议版本(IPv)。
本领域普通技术人员将理解的是,图1A和1B中描绘的硬件可以针对不同的实现而变化。例如,除了所描绘的硬件之外或替代所描绘的硬件,还可以使用其他***设备,诸如光驱等、局域网(LAN)/广域网(WAN)/无线(例如Wi-Fi)适配器、图形适配器、磁盘控制器、输入/输出(I/O)适配器、网络连接设备。所描绘的示例仅出于解释的目的而被提供,并不意味着暗示对关于本公开的架构限制。
图2A图示出了滚珠轴承200的结构。滚珠轴承200包括直径为D的外圈210、多个滚珠215(每个滚珠的半径为rball)、保持架220和直径为d的内圈225。多个滚珠215被布置在外圈210和内圈225之间的间隙中。保持架220在滚珠215之间保持对称的径向间距。图2B图示出了在外圈210的壁上的缺陷尺寸为ddefect的缺陷与滚珠210接触。在本示例中,缺陷是外壳中由于点蚀而产生的压痕。缺陷尺寸可以定义为滚珠轴承200的滚珠在进入和离开缺陷之间行进的距离。如所示,在多个滚珠215中的滚珠215A的中心处缺陷对着一个角 。在其上安装有滚珠轴承200的轴的角速度被指示为。
图3图示了根据本发明的实施例的用于建立轴承的虚拟模型的实验测试装置300。在本实施例中,虚拟模型对应于滚珠轴承。本领域技术人员必须理解的是,可以以类似方式为其他类型的轴承建立虚拟模型。
虚拟模型可以基于基于物理的模型、计算机辅助设计(CAD)模型、计算机辅助工程(CAE)模型、一维(1D)模型、二维(2D)模型、三维(3D)模型、有限元(FE)模型、描述性模型、元模型、随机模型、参数模型、降阶模型、统计模型、启发式模型、预测模型、老化模型、机器学习模型、人工智能模型、深度学习模型、***模型、代理模型等中的一个或多个。
在本实施例中,虚拟模型是基于与多个轴承在多个操作条件下相关联的仿真数据、实验数据和数学数据建立的。多个操作条件可以基于用于改变载荷、角速度和缺陷尺寸的值的实验设计(DOE)产生。此处,术语“载荷”表示轴承静载荷。例如,缺陷尺寸可选择为0.1mm、0.2mm、1mm、2mm、3mm、4mm和5mm之一。载荷可以是400N和500N之一。角速度可以是1000rad/s、1200rad/s、1400rad/s和1600rad/s之一。在本实施例中,使用与三个标准滚珠轴承相关联的仿真数据、实验数据和数学数据。例如,三个轴承中的第一轴承可能具有标准轴承编号6205,第二轴承可能具有标准轴承编号6213,以及第三轴承可能具有标准轴承编号6319。
例如,实验装置300包括轴承305、附接到轴承305的至少一个力传感器310和至少一个振动传感器315。力传感器310和振动传感器315通信地耦合到类似于装置110的装置320。在一个实施例中,装置320可以包括用于从力传感器310和振动传感器315接收信号的数据采集接口。轴承305安装在旋转轴上。在一个示例中,旋转轴是旋转设备的一部分。此外,一个或多个缺陷被人为地引入轴承305的外圈中。每个缺陷都与在操作条件中指定的已知缺陷尺寸相关联。力传感器310被配置为测量由轴承的滚珠穿过缺陷引起的冲击力。如本文所使用的术语“冲击力”是指滚珠在进入缺陷的边缘时所经历的接触力。在一个示例中,力传感器310是三轴压电晶体。振动传感器315被配置为测量由滚珠穿过缺陷引起的振动或加速度值。在示例中,振动传感器315是加速度计。此外,记录实验数据。对于每个操作条件,实验数据包括由力传感器310测量的冲击力和由振动传感器315测量的相应加速度值。类似地,记录与三个轴承中每一个对应的实验数据。
通过基于多物理场仿真模型对轴承的行为进行仿真来产生仿真数据。操作条件可以作为输入提供给仿真环境中的多物理场仿真模型。例如,仿真环境可以由装置320上的计算机辅助仿真工具提供。仿真模型包括与轴承相关联的外圈、保持架、多个滚动元件、内圈和护罩的有限元模型。在本示例中,滚动元件是滚珠。此外,对应于每个标准滚珠轴承的仿真模型被配置为对操作条件中规定的缺陷尺寸的外圈中的缺陷进行建模。例如,缺陷可能与剥落、点蚀、塑性变形、磨损、电蚀或腐蚀之一或其组合相关联。
基于配置的仿真模型,产生仿真实例。在仿真环境中执行仿真实例以产生仿真数据,该仿真数据用于与针对相同操作条件而产生的每个仿真数据对应的轴承,该相同操作条件用于产生实验数据。仿真数据包括对应于每个操作条件的仿真最大冲击力的值。类似地,为三个轴承中的每一个产生仿真数据。图4A是指示轴承的仿真结果的示例的GUI视图405。仿真结果指示对于仿真实例来说冲击力(在图4A中被指示为界面力)随时间的变化。特别地,实线指示缺陷前缘处的冲击力,而离散线指示缺陷后缘处的冲击力。这里,前缘对应于在其处轴承的滚动元件进入缺陷的外圈上的点。后缘对应于在其处轴承的滚动元件离开缺陷的外圈上的点。类似地,图4B是GUI视图410,其示出了指示最大冲击力的实验值随角速度的变化的缺陷轮廓。缺陷轮廓对应于不同的缺陷尺寸0.2毫米、0.5毫米、4毫米、6毫米、7毫米和8毫米。如所示,最大冲击力随着缺陷尺寸的增加以及还随角速度的增加而增加。
数学数据由装置320基于轴承的数学模型产生。数学模型的形式为:
其可以被重新排列为:
其中,x imax 是滚珠的最大挠度,单位为mm;
其中ν是与轴承的材料相关联的泊松比,E是与材料相关联的杨氏模量,以及E eq 是材料的等效刚度。例如,如果轴承由EN31钢制成,则泊松比为0.3,以及杨氏模量为210GPa。
其中rbearing是轴承的半径,由下式给出:
在上述等式中,参数p1和p2基于轴承参数被调整。在一个实施例中,使用经过训练的机器学习模型来调整参数。经过训练的机器学习模型是一种进化算法。对于ximax进一步求解数学模型。此外,滚珠上的最大冲击力Fmax由x imax 根据以下等式计算:
这里Fmax表示以数学方式计算的对滚珠的最大冲击力的值。因此,针对与每种操作条件相对应的轴承计算最大冲击力。类似地,在每种操作条件下,针对三个轴承中的每一个都计算最大冲击力。
装置320进一步基于仿真数据、实验数据和数学数据建立轴承的虚拟模型。在一个实施例中,虚拟模型是替代模型。基于使用实验装置300产生的测试数据进一步验证虚拟模型。测试数据包括轴承的一组操作条件,其包括缺陷尺寸、角速度和载荷的已知值。将力传感器的输出与虚拟模型的输出进行比较,以便检测与虚拟模型相关联的错误。此外,虚拟模型的参数被调整以便最小化误差。调整的虚拟模型可用于预测与任何给定操作条件组的任何轴承相关联的最大冲击力。
图5是根据本发明的实施例的图形用户界面(GUI)视图500,其示出了与三个轴承相关联的最大冲击力和加速度值之间的关系的表示。该关系是基于三个轴承对于相似的操作条件组下的行为获得的。三个轴承的标准轴承编号为6205、6213和6319。
图6描绘了根据本发明的实施例的用于估计轴承的剩余使用寿命的方法600的流程图。
在步骤605,由处理单元135接收用于分析轴承中的缺陷的请求。该请求包括从类似于客户端设备130的客户端设备接收的与轴承相关联的一个或多个轴承参数连同从附接到轴承的至少一个感测单元接收的传感器数据。传感器数据可以包括与轴承相关联的至少一个感测单元的输出。客户端设备和至少一个感测单元都通信地耦合到类似于边缘设备115的边缘设备。在本实施例中,至少一个感测单元包括安装在与轴承相关联的轴承箱上的加速度计。至少一个感测单元的输出为时域中的加速度信号。
在一种实现方式中,用户可以通过在客户端设备上提供的基于web的界面提供一个或多个轴承参数来发起请求。例如,一个或多个轴承参数包括滚珠半径、轴承静载荷、材料密度、角速度和内部游隙。图7图示出了根据本发明的实施例的示例性基于web的界面700,其使用户能够从客户端设备提供一个或多个轴承参数的值。
在一个实施例中,一个或多个轴承参数基于诸如ISO尺寸系列的国际标准通过标准轴承编号来指定。例如,如果标准轴承编号为6213,则轴承尺寸(以mm计)为65×120×23,其中65mm为内圈直径,120mm为外圈直径,以及23mm为轴承宽度。基于web的界面可以提供用于从多个轴承编号中选择轴承编号的下拉菜单。在本示例中,轴承编号可选择为6319。
基于轴承编号,诸如滚珠半径和轴承直径之类的尺寸可能会自动填充到基于Web的界面上。类似地,如果轴承编号未显示在下拉菜单中,则基于web的界面也可为用户提供手动输入轴承参数的选项。此外,用户可以通过按下基于web的界面上的“提交”按钮来确认一个或多个轴承参数的值以发起所述请求。在优选实施例中,传感器数据对应于轴承的实时操作条件。
在步骤610,监测一段时间内缺陷对轴承的影响。基于传感器数据内存在的异常来监测缺陷的影响。异常可由至少一个感测单元产生的信号的特征来指示。特征可以包括但不限于幅度、频率、谐波、谱能量、RMS速度、冲击脉冲或瞬变的存在、重复脉冲等。在本实施例中,传感器数据包括时域中的加速度信号。图8图示了根据本发明的实施例的示出时域中的加速度信号的示例的GUI 800。可以使用包络分析从加速度信号中识别影响。更具体地说,通过幅度解调产生加速度信号的包络。例如,包络的幅度可以指示缺陷的周期性影响。在识别出这种影响的存在时,执行步骤615。
在步骤615,使用机器学习模型确定在其期间缺陷对轴承的影响高于阈值范围的时间段。时间段指示轴承的滚动元件穿过缺陷所花费的时间。更具体地,时间段指示在其中滚动元件进入和离开缺陷的持续时间。阈值范围可以由操作者预定义或者可以基于轴承制造商提供的规格。例如,阈值可以被定义为2mm2/s。基于包络分析的结果,如果加速度信号的幅度穿过阈值,则在其期间包络幅度大于2mm2/s的时间段被识别。
在一个实施例中,机器学习模型可以是卷积神经网络模型。CNN模型是经过训练的CNN,被配置用于识别持续时间。更具体地说,CNN被配置为识别与该持续时间相关联的开始和结束时间。持续时间对应于滚珠穿过缺陷所花费的时间。例如,在图8的时域加速度信号中,持续时间是从t1=0.53221直到t2=0.5749。因此,持续时间tdefect计算如下:
tdefect= t2 - t1 = 0.0427秒。
在步骤620,计算在该时间段期间与缺陷相关联的影响的严重性。缺陷的严重性被确定为与缺陷相关联的缺陷尺寸。根据在步骤615中计算的持续时间确定缺陷尺寸。在一个实施例中,可以基于预定义的数学关系计算缺陷尺寸。例如,持续时间tdefect用于使用以下数学关系计算滚珠行进的角距离:
其中,
其中,是在其上安装轴承的旋转轴的角速度。也可以认为是轴承在操作期间内圈的角速度。D是外圈直径,d是内圈直径,以及是滚珠与外圈之间的接触角。例如,如果通过等式(13)计算保持器速度为63.227度/秒,
此外,缺陷尺寸计算如下:
其中R是外圈的半径,即R = D/2。对于6319轴承的情况,外圈直径D为200mm。因此,在本示例中,
此处计算的缺陷尺寸值的准确性取决于用于确定持续时间tdefect的机器学习模型的准确性。必须理解的是,实验测试装置300可用于训练和/或验证机器学习模型以根据加速度信号准确预测持续时间tdefect。更具体地说,和与已知缺陷尺寸对应的加速度信号相关联的时间序列数据用于训练和验证机器学习模型。在验证期间,基于机器学习模型的输出计算出的缺陷尺寸与实际或已知的缺陷尺寸进行比较以确定模型中的错误。如果计算出的缺陷尺寸偏离已知缺陷尺寸,则调整机器学习模型以便最小化误差。
在步骤625,在该时间段期间基于严重性和操作数据确定轴承的剩余使用寿命。在一个示例中,剩余使用寿命可以表示为故障发生前的转数。在另一个示例中,剩余使用寿命表示为在故障前以恒定速度操作的小时数。在优选实施例中,轴承的剩余使用寿命模型基于以下额定寿命模型被配置:
其中,aiso是基于寿命计算的***方法的寿命修正因子,由下式给出:
其中,a 1 是可靠性的寿命修正因子,C u 是以牛顿为单位的疲劳载荷极限,e c 是特定于缺陷尺寸的污染因子,p是以牛顿为单位的动态等效径向载荷,C是动态等效径向额定载荷,K是粘度比。这里,用于配置额定寿命模型的动态参数是动态等效径向载荷。
可靠性的寿命修正因子是ISO 281:2007中针对给定可靠性值指定的预定义值。例如,如果可能认为可靠性为90%,则取a1为1。可靠性的值默认取为90%。在本公开的一个实施例中,可靠性的值可以由操作者通过客户端设备修正。基于可靠性的值,可以进一步从存储在数据库195中的第一查找表中获得可靠性的寿命修正因子。疲劳载荷极限和动态等效径向额定载荷是从与轴承相关联的一个或多个轴承参数中获得的。
污染因子是基于缺陷尺寸确定的。这是因为,轴承中的缺陷会导致从轴承结构中去除小的、离散的材料颗粒。这些离散颗粒会增加轴承内部污染物的浓度。随着缺陷尺寸的增加,污染物的浓度进一步增加。缺陷尺寸作为输入提供给经过训练的分类模型,该模型将缺陷尺寸分类为多个严重性级别之一。例如,多个严重性等级可以对应于“正常清洁度”、“轻微到典型污染”、“严重污染”和“非常严重污染”。基于缺陷尺寸,经过训练的分类模型输出严重性级别。如此确定的严重性级别进一步用于从存储在数据库195中的第二查找表中选择合适的污染因子。第二查找表可包括对应于每个严重性级别的污染因子值。本领域技术人员必须理解的是,可以训练分类模型以将缺陷尺寸分类为任意数量的严重性级别之一。
粘度比指示在操作期间轴承的润滑状况。粘度比计算为润滑剂的操作粘度与润滑剂的额定粘度的比。操作粘度基于润滑剂的粘度等级和操作温度计算。油的粘度等级可以从包括对应于不同类型润滑剂的粘度等级的第三查找表获得。在一个实施例中,轴承的操作温度可以从与轴承相关联的温度传感器获得。在另一个实施例中,轴承的虚拟模型可用于基于传感器数据确定轴承的热分布。额定粘度是基于轴承的尺寸和轴承的角速度从第四查找表中获得的。
用于额定寿命模型的等式(15)可以重新排列如下:
因此,剩余使用寿命模型被配置如下:
基于等式(19),计算轴承的剩余使用寿命(RUL)。
在步骤630,在输出设备上产生指示轴承的剩余使用寿命的通知。输出可以是基于实时传感器数据将轴承的剩余使用寿命指示为动态变化参数的通知。例如,通知可以包括“轴承6319的剩余使用寿命为56小时”的消息。RUL值可以进一步在如图9中所示的RUL曲线上指示。图9是根据本公开的实施例的GUI视图900,其示出了随增加的缺陷尺寸而剩余使用寿命的退化(被示为以小时为计的预测寿命)。GUI视图900还示出了对于不同严重性等级的污染,剩余使用寿命的退化,如所示。对应于不同严重性级别的图是通过将对应于等式(15)的额定寿命模型中的每个严重性级别的污染因子代入随着缺陷尺寸的逐渐增加而产生的。
本发明有助于基于从实时传感器数据计算出的缺陷尺寸来准确计算轴承的剩余使用寿命。
本发明不限于特定的计算机***平台、处理单元、操作***或网络。本发明的一个或多个方面可以分布在一个或多个计算机***中,该计算机***例如是被配置为向一个或多个客户端计算机提供一种或多种服务或在分布式***中执行完整任务的服务器。例如,本发明的一个或多个方面可以在客户端-服务器***上执行,该客户端-服务器***包括分布在根据各种实施例执行多种功能的一个或多个服务器***中的组件。这些组件包括例如可执行代码、中间代码或解释代码,它们使用通信协议通过网络进行通信。本发明不限于可在任何特定***或***组上执行,并且也不限于任何特定分布式架构、网络或通信协议。
尽管已经借助优选实施例详细图示和描述了本发明,但本发明不限于所公开的示例。在不脱离所声明的本发明保护范围的情况下,本领域技术人员可以推导出其他变化。
Claims (11)
1.一种用于估计轴承(105)的剩余使用寿命的计算机实施方法,该方法包括:
通过处理单元(135)从源(110、125、130)接收用于分析轴承中的缺陷的请求,其中该请求包括与轴承相关联的操作数据;
在一段时间内监测缺陷对轴承的影响;
使用机器学习模型确定在其期间缺陷对轴承的影响高于阈值范围的时间段;
计算在该时间段期间与缺陷相关联的影响的严重性;和
在该时间段期间基于该严重性和操作数据确定轴承的剩余使用寿命;和
在输出设备(130)上产生指示轴承的剩余使用寿命的通知。
2.根据权利要求1所述的方法,其中所述操作数据包括与所述轴承相关联的至少一个感测单元(125)的实时输出。
3.根据权利要求1或2中任一项所述的方法,其中在一段时间内监测所述缺陷对所述轴承的影响包括:
监测至少一个感测单元(125)的输出中的异常。
4.根据前述权利要求中任一项所述的方法,其中使用所述机器学习模型确定在其期间所述缺陷对所述轴承的影响高于阈值范围的时间段包括:
使用机器学习模型分析与轴承相关联的操作数据以确定时间段。
5.根据前述权利要求中任一项所述的方法,其中计算在所述时间段期间与所述缺陷相关联的影响的严重性包括:
基于时间段的持续时间计算与缺陷对应的缺陷尺寸。
6.根据权利要求1或5中任一项所述的方法,其中在所述时间段期间基于严重性和操作数据确定所述轴承的剩余使用寿命包括:
使用轴承的虚拟模型,基于缺陷尺寸和操作数据计算与轴承相关联的动态参数;
基于动态参数配置轴承的剩余使用寿命模型;和
基于配置的剩余使用寿命模型和操作数据计算轴承的剩余使用寿命。
7.根据权利要求1或6中任一项所述的方法,其中,基于与多个其他轴承相关联的仿真数据、实验数据和数学数据中的一个或多个产生所述虚拟模型。
8.一种用于估计轴承的剩余使用寿命的装置(110),该装置(110)包括:
一个或多个处理单元(135);和
存储器单元(140),其通信地耦合到一个或多个处理单元(135),其中存储器单元(140)包括以机器可读指令的形式存储的轴承管理模块(165),所述一个或多个处理单元(135)可执行机器可读指令,其中轴承管理模块(165)被配置为执行根据权利要求1至7中任一项所述的方法步骤。
9.一种用于估计轴承的剩余使用寿命的***(100),该***(100)包括:
一个或多个源(115、125、130),其被配置用于提供与轴承相关联的操作数据;和
根据权利要求8所述的装置(110),其被通信地耦合到所述一个或多个源(115、125、130),其中所述装置(110)被配置用于根据权利要求1至7中任一项基于操作数据估计轴承的剩余使用寿命。
10.一种具有存储在其中的机器可读指令的计算机程序产品,其当由一个或多个处理单元(135)执行时,使处理单元(135)执行根据权利要求1至7中任一项所述的方法。
11.一种包括指令的计算机可读存储介质,所述指令在由数据处理***执行时使所述数据处理***执行根据权利要求1至7中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20193456.9A EP3961335B1 (en) | 2020-08-28 | 2020-08-28 | System, apparatus and method for estimating remaining useful life of a bearing |
EP20193456.9 | 2020-08-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117655A true CN114117655A (zh) | 2022-03-01 |
Family
ID=72290971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110994210.7A Pending CN114117655A (zh) | 2020-08-28 | 2021-08-27 | 用于估计轴承的剩余使用寿命的***、装置和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11921005B2 (zh) |
EP (1) | EP3961335B1 (zh) |
CN (1) | CN114117655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626162A (zh) * | 2022-03-22 | 2022-06-14 | 中车大连机车研究所有限公司 | 一种接触球轴承损耗程度定量识别方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580842B1 (en) * | 2021-12-11 | 2023-02-14 | Adapdix Corporation | Real-time alert management using machine learning |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0297729B1 (en) * | 1987-06-03 | 1992-10-21 | Koyo Seiko Co., Ltd. | Apparatus for detecting a failure in bearings |
JP5168643B2 (ja) * | 2008-06-23 | 2013-03-21 | 株式会社リコー | 状態判別方法、状態判別システム及び画像形成装置 |
US10410116B2 (en) * | 2014-03-11 | 2019-09-10 | SparkCognition, Inc. | System and method for calculating remaining useful time of objects |
US10436766B1 (en) * | 2015-10-12 | 2019-10-08 | S.P.M. Flow Control, Inc. | Monitoring lubricant in hydraulic fracturing pump system |
AU2019243837A1 (en) * | 2018-03-28 | 2020-10-01 | Fracta | Processing data for predicting pipe failure |
WO2020040280A1 (ja) * | 2018-08-23 | 2020-02-27 | 日本精工株式会社 | 転がり軸受の異常診断方法及び異常診断装置 |
EP3855153A1 (en) * | 2020-01-23 | 2021-07-28 | Siemens Aktiengesellschaft | Method for determining a remaining useful life of a bearing |
-
2020
- 2020-08-28 EP EP20193456.9A patent/EP3961335B1/en active Active
-
2021
- 2021-08-27 CN CN202110994210.7A patent/CN114117655A/zh active Pending
- 2021-08-27 US US17/459,326 patent/US11921005B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626162A (zh) * | 2022-03-22 | 2022-06-14 | 中车大连机车研究所有限公司 | 一种接触球轴承损耗程度定量识别方法 |
CN114626162B (zh) * | 2022-03-22 | 2024-04-16 | 中车大连机车研究所有限公司 | 一种接触球轴承损耗程度定量识别方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220065748A1 (en) | 2022-03-03 |
US11921005B2 (en) | 2024-03-05 |
EP3961335A1 (en) | 2022-03-02 |
EP3961335B1 (en) | 2024-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
JP6408063B1 (ja) | 複数のセンサを備える工作機械の主軸ヘッドの故障検出装置 | |
EP1955830B1 (en) | A method and a control system for monitoring the condition of an industrial robot | |
EP3956645B1 (en) | System, apparatus and method of determining condition of a bearing | |
CN103547977B (zh) | 包括传动***、齿轮箱和发电机的旋转机械的剩余使用寿命的确定 | |
CN114117655A (zh) | 用于估计轴承的剩余使用寿命的***、装置和方法 | |
KR102278744B1 (ko) | 로봇의 이상 상태에 대한 알람을 출력하는 방법 및 장치 | |
EP3961321A1 (en) | System and method for instantaneous performance management of a machine tool | |
Zahra et al. | Predictive maintenance with neural network approach for UAV propulsion systems monitoring | |
CN115023598A (zh) | 用于确定轴承的剩余可用寿命的方法 | |
Hasanzadeh Ghafari | A fault diagnosis system for rotary machinery supported by rolling element bearings | |
EP4384881A1 (en) | System and method for estimating remaining useful life of a bearing | |
US20240060855A1 (en) | System, apparatus and method for estimating remaining useful life of at least one bearing | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
KR102343793B1 (ko) | 데이터 처리 장치, 데이터 처리 시스템, 데이터 처리 방법, 데이터 처리 프로그램 및 기억 매체 | |
EP4253934A1 (en) | System, apparatus and method for misalignment-based remaining useful life estimation of a bearing | |
EP4266139A1 (en) | Monitoring machines | |
Butdee et al. | Life prediction of a spindle CNC machining centre using natural frequency method of vibration | |
CN114647238A (zh) | 机器人、机器人运行路面检测***、方法 |
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 |