摘要：滚动轴承作为机械设备中重要的旋转零件和机械设备的重要故障源之一，每年由于轴承故障造成的设备故障数以千万计，造成的经济损失巨大，因此有效的滚动轴承故障诊断方法在实际工作中就显得越来越重要。^[1]本文研究了基于各种理论的智能故障诊断技术在轴承的应用。
　　关键词：轴承；故障；诊断
　　引言：
　　滚动轴承的故障诊断在国外大概开始于20世纪60年代。在其后几十年的发展时间里，各种方法与技巧不断产生、发展和完善，应用的领域不断扩大，诊断的有效性不断提高。^[2]
　　统计表明^[3]，在使用滚动轴承的旋转机械中，大约有30％的机械故障都是滚动轴承引起的、感应电机故障中的滚动轴承故障约占电机故障的40％左右、齿轮箱各类故障中的轴承故障率仅次于齿轮而占19％。据有关资料表明，我国现有的机车用滚动轴承每年约有40％要经过下车检验，而其中的33％左右被更换，因此研究机车轴承故障诊断并改定期维修为状态维修，将有重要的经济效益和实用价值。据统计，对机械设备应用状态故障诊断技术后，事故发生率可降低75％，维修费用可减少25～50％。滚动轴承的状态故障诊断技术在了解轴承的性能状态和及早发现潜在故障等方面起着至关重要的作用，而且还可以有效提高机械设备的运行管理水平及维修效能，具有显著的经济效益。^[4]
　　标准IS015243《滚动轴承一损伤和失效一术语、特性和原因》对轴承的失效方式进行了详细的分类：
　　（1）疲劳失效：该种失效主要由滚道表面下重复的应力变化、表面加工质量不良、润滑不良、相对滑动等造成材料表面结构的变化而产生微裂纹并传播，从而发展为表面明显的微剥落。
　　（2）磨损：研磨磨损属于一种材料剥离的磨损，大多数是由于不充分的润滑或是由于杂质的进入，而导致表面精度破坏和磨损，在低速重载过薄油膜时，则产生镜面状效应；粘着磨损是材料从一个表面转移到另一个表面，其主要表现形式为拖尾效应，主要发生在郑州大学硕士论文2滚动轴承的故障模式及故障表现形式滚动体以高加速度重新进入负荷区时或当负荷过低时发生在滚动体和滚道表面。
　　（3）腐蚀：湿气腐蚀多发生在滚动面之间有水／水汽等潮湿介质或酸性介质的时候发生的一种氧化行为；蠕动腐蚀多发生在轴承套圈和轴或壳体之间出现相对运动，其一般时由于配合过松或其它错误造成的；压痕腐蚀主要发生在滚动体同滚道接触区域产生微动的而造成的，有时也可叫做伪布什压痕。
　　（4）电腐蚀：磁场分布不均、电缆不对称等引起的电流以及高频转换形成的电流均会形成对轴承的电腐蚀。电腐蚀会引起轴承滚道出现电蚀凹坑、凹槽、搓板纹，还会引起润滑脂的过早老化，造成润滑不良，从而缩短轴承的寿命。
　　（5）塑性变形：当承受的载荷超过轴承材料的屈服强度极限时，均会发生塑性变形，例如超载或杂质在滚动表面碾压均有可能造成滚动表面的塑性变形。
　　（6）裂痕：过大的过盈配合或过大的相对滑动均会造成过大的拉伸力，从而造成轴承套圈的裂痕甚至断裂。^[5]
　　基于神经网络的机车车辆轴承故障诊断技术
　　随着机车车辆制造和检修技术的进步，监测与诊断技术的应用必将进一步扩展和深入，为铁路运输带来更高的安全性和经济效益。^[6]
　　以智能化和网络化为核心，提出了一种轴承监测诊断技术在机车车辆上综合应用的系统方案，包括车载监测、道旁监测、检修基地诊断及综合信息管理四个基本子系统。
　　应用BP神经网络对轴承故障诊断的多值分类问题进行了研究，探讨了轴承诊断BP网络的设计，提取8个特征参数，采用三层网络结构，用详实的现场数据作为训练样本，对网络进行训练，并用训练后的网络对大量轴承样本进行了诊断。由于对象及工况均与实际情况相同，且样本数量很大，包含了被测轴承的多种状态信息，因此取得了较好的效果，94套轴承诊断的总有效率大于97％。该网络可直接在货车轴承诊断系统中应用，改善诊断性能，其方法亦适用于其它机车车辆轴承的监测与诊断。
　　研究表明，基于神经网络的轴承故障诊断技术具有良好的状态分类能力，一般只要通过不断地积累数据，精心选择训练样本，BP网络就能够在机车车辆轴承监测与诊断中实际应用。但不可否认，BP网络存在隐层单元个数的选择缺乏理论指导、具有学习新样本而遗忘旧样本的趋势、对未学习过的新样本类难以准确分辨等不足，应充分考虑具体应用的特点和要求，必要时可对BP网络进行改进或选择其它网络模型。^[7]
　　基于LabVIEW的轴承故障诊断技术
　　LabVIEW有强大而直观的数字信号处理能力，良好的硬件匹配性，同时又有算法实现不足的缺陷。通过利用LabVIEW配合通用数据采集卡进行加速度和声信号信息的采集，在LabVIEW中调用MATLABT工具箱函数，实现小波在线分析和神经网络模式识别，同时利用LabVIEW自身拥有的强大的信号处理功能，实现轴承故障诊断的目的。^[8]
　　基于小波分析与神经网络的轴承故障诊断
　　研究应用先进的设备状态监测和故障诊断技术，不仅可以发现早期故障，避免恶性事故发生，还可以从根本上解决设备定期维修中维修不足和过剩维修问题^[9]。
　　小波分析的基本思想是用一个局部紧的基本小波函数的不同尺度的平移和伸缩构成的小波函数系去表示或逼近一信号或函数。小波函数系的特点是它的时宽带宽乘积很小，且在时间和频率轴上都很集中。相比于传统的傅立叶分析，小波变换在分析非平稳信号分析时有许多独有的特性，因此广泛地应用于故障诊断领域。 　　小波分析具有良好的时一频局部化特征，因而非常适于对瞬态或时变信号进行分类，而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理建立了基于小波的神经网络智能诊断模型，并用于滚动轴承的故障诊断。根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向量，然后利用神经网络完成滚动轴承故障模式的识别。试验结果表明，系统不仅能够检测到轴承故障的存在，而且能够比较准确地识别轴承的故障模式。^[10]
　　结论
　　滚动轴承作为机械设备中重要的旋转零件和机械设备的重要故障源之一，有大量的智能故障诊断技术被开发出来。每一种智能诊断系统都能在相应的环境中得到充分的应用，大大减少了由轴承故障引起的经济损失。
　　参考文献：
　　[1]李俊卿，滚动轴承故障诊断技术及其工业应用，硕士论文
　　[2]周瑞峰，滚动轴承故障智能诊断方法的研究与实现，硕士论文
　　[3]赵明元，朱衡君.机车轴承故障诊断与预测方法.机车电传动，2005（5）：58-60
　　[4]谢宝义.工程机械状态检测与故障诊断技术.计量与测试技术，2002（4）：41-43
　　[5]ISO15432（Rolling Bearing-Damage and Failures-Terms，Characteristics and Cause），2004
　　[6]丁福焰，杜永平，机车车辆故障诊断技术的发展，铁道机车车辆，2004，24（4），24-30
　　[7]丁福焰，基于神经网络的机车车辆轴承故障诊断技术研究丁福焰，硕士论文
　　[8]中国船舶重工集团公司第七二二研究所，轴承故障诊断的信息处理及模式识别技术，中国国防科技质量与可靠性高峰论坛论文集，2010
　　[9]张正松，傅尚新，冯冠平，旋转机械振动监测及故障诊断，机械工业出版社，1991
　　[10]张维新，基于小波分析与神经网络的轴承故障诊断研究，硕士论文