案例分析

一、轴承-齿轮箱多功能实验台BGTB-2

实验对象：滚动轴承、平行轴齿轮箱、行星齿轮箱、转子

采集信号：振动信号、转速信号、扭矩信号、位移信号、声发射信号、红外热

测试功能：

a.不同工况负载条件下的齿轮箱故障诊断研究;

b.齿轮箱不同工况负载条件下的故障诊断研究；

c.轴承不同工况负载条件下的故障诊断研究；

d.转子不同工况负载条件下的故障诊断研究。

测试台：

1.电机

1）0-3000rpm；电机的扭矩和功率没有要求，能达到指定转速，带动负载就行。

2）转轴直径没有具体要求，不要太细，保证转动时不偏心：

2.变频控制器

1）由电脑直软件控制整个变速过程（手动调节也要有），能够调节电机转速在0-3000rpm之间变化。

2）变转速实验时可以预设转速变化的过程，升速过程、降速过程、稳速等。

3.传感器安装支架

1）矩形铁架，上方和侧方到转轴的距离一样

2）螺纹孔尺寸要求：未定

4.滚动轴承

深沟球轴承

1）深沟球轴承，便于安装到转轴上，需要用键销或者螺丝固定在转轴上，防止高速转动时滑动。

深沟球轴承故障件示意图：

5.平衡盘

6.传感器安装支架二

矩形铁架，上方和侧方到转轴的距离一样

7.径向加载装置

1）手动扭转加载，由外接的仪表或者在电脑上显示当前所加载的力。

2）径向加载是手动手轮加载，径向加载是加载在轴承上面。

8.滚动轴承二

与4.滚动轴承一致

9.平行轴齿轮箱

10.行星齿轮箱

11.扭转转速传感

测当前的扭矩与转速，电脑软件显示，和电机调速、扭矩转速传感最好显示在同一界面；保存为常见的文件格式。

12.负载器

加载范围0-5kN，电脑控制。

二、变转速复合故障轴承测试实验

（1）实验采用的实验台设备如下图所示：

轴承-齿轮箱多功能实验台BGTB-2

实验所用采集卡型号为：所用加速度传感器分别用胶水固定在轴承座的XY两个方向，如下图所示：

采集卡与加速度传感器

实验中采用的测试轴承型号为：为深沟球轴承，轴承关键参数如下表格：

（2）故障件

分别加工了外圈故障、内圈故障与滚动体故障，加工方式为线切割加工，其中滚动体的故障为电火花打点加工，故障件如下图所示：

外圈故障示意图

内圈故障示意图

滚动体故障示意图

（3）转速变化过程

（4）转速记录

（5）实验中统一设置的采样频率为20000Hz，具体实验过程如下表所示：

备注：下表中Rotational speed栏对应上述 3.转速变化过程

注：①OR: outer race fault; IR: inner race fault; RE: rolling element fault

    ②由于部件之间配合间隙，实际转速一般低于测试转速

文件夹命名方式为：序号+故障类型+转速变化过程类型+故障尺寸，例：005_OR_2_0.2

每个文件中的数据为双通道的振动数据

六种故障模式振动信号及对应转速值(a) 健康轴承; (b) 内圈故障; (c) 外圈故障;; (d) 滚动体故障; (e) 内外圈复合故障; (f) 外圈滚动体复合故障; (g) 健康状态动态工况验证集

六种故障模式网络特征提取降维图

使用DenseNet对振动信号和声信号进行故障诊断的混淆矩阵结果如图8所示，在数据量相对完备的场景下，该实验台数据能够获得有效的学习。10-shot, 20-shot以及40-shot样本条件下的识别精度分别为86.09，97.98以及99.78。

三种数据样本场景下的Baseline识别精度

三、轴承信号分析处理与故障诊断模块

研制完成轴承信号分析处理与故障诊断模块，作为信号处理算法工具箱的主要功能模块，形成了以振动信号经典算法与最新的各类算法模型，可应用于各类关键机械部件（轴承等）的信号分析、故障探测、故障诊断、趋势劣化评估等，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现轴承信号分析处理与故障诊断，能应用在不同场合的设备缺陷监测，满足不同类型机械设备与关键部件（轴承等）的健康预诊与故障诊断需求。轴承信号分析处理与故障诊断模块可灵活地集成到各种设备故障诊断与健康预诊系统，提供完整的算法类调用接口，基于该工具箱的各种信号处理模型，可迅速建立起一套完整的基于各种关键机械部件信号分析处理与故障诊断模块的设备故障诊断与健康预诊系统，也可支持各类系统研制与学术研究。轴承信号分析处理与故障诊断模块主要包括的算法模型如下：

信号处理算法工具箱主界面

从信号处理算法工具箱主控界面可以看到，该工具箱实现的功能主要为各类信号处理算法的演示与分析，图形化的操作界面，操作人员可以直接通过左侧下拉菜单选择各类算法对信号进行处理分析，即使是技术水平不高的工人也可应用此软件调用各类信号处理算法。

轴承振动信号分析处理与故障诊断模块：

四、风机健康监测与故障诊断系统

大型风机故障诊断与健康预测系统FANMAgent融合了目前各种先进的信息智能分析算法以工具箱的方式，采用了一种开发的、模块化的结构实现振动信号等各种分析处理，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。FANMAgent对大型轧钢生产线的各种大型风机运作过程的振动情况实施监控与故障诊断系统，对风机工作状态下关键部件的振动数据进行实时采集，结合信号处理技术与深度学习技术对冗余的数据进行清洗、降维与多层特征提取，建立实时异常振动检测模型、缺陷识别与故障诊断模型，实现缺陷早期预示，能够及时发现异常值，并对其进行诊断与维修。

大型风机故障诊断与健康预测系统FANMAgent主要融合了目前各种先进的信号处理算法，人工智能算法以及振动机理算法，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现型风机故障诊断与健康预测。

显示各个风机多个测点（以监测的轴承为例）的健康信息，蓝绿色为健康运行、黄色为轻微故障、红色为严重故障，同时显示多个测点传感数据的时域/频域信号及健康指标信息。点击测点示意图上的多个测点图标即可进入各个测点的详细分析界面。

测点健康监测

以风机的滚动轴承检测为例，共包含健康总览、健康趋势分析、轴承故障频率算法、故障诊断、健康评估、寿命预测、自适应监控等核心模块。

系统健康总览模块

该页面上半部分显示当前的风机号及测点号，下半部分对该测点实行各个时间周期的各健康指标趋势监测，指标包括各种健康指标及寿命指标，可在指标类型进行选择切换。

多时间周期健康趋势评估

该页面上半部分显示当前的风机号及测点号，通过本系统对变工况监测模型的独特研制，下半部分针对该测点传感数据进行原始振动信号有效值趋势、速度振动量有效值趋势、冲击响应有效值趋势分析。

轴承缺陷频谱分析模块

该页面上半部分显示当前的风机号及测点号，下半部分针对该测点的信号时频分析进行展示，包括轴承信号降噪后的时域图展示、轴承信号处理算法频谱图展示。

轴承故障频率与缺陷计算模块

对各个类型风机的轴承故障频率进行计算。

风机轴承健康量化评估模块

该页面上半部分显示当前的风机号及测点号，下半部分针对该测点通过人工智能模型对风机不同周期数据进行健康评估，并将健康评估结果展示。

轴承寿命预测模块

该页面上半部分显示当前的风机号及测点号，下半部分针对该测点通过各种人工智能方法对风机不同周期数据进行寿命预测。

五、滚动轴承复合故障诊断

背景问题：旋转机械中的关键部件，如滚动轴承、齿轮箱、联轴器，在重载和高转速工作条件下容易发生多处局部故障。与单一故障不同，复合故障更具破坏性，因为它会加速关键部件的健康退化。因此，检测复合故障的位置和类型对于提高设备的安全性和可靠性具有重要意义。然而，在设备监测和维护中，多故障检测仍然具有挑战性。不同损伤激发的脉冲可能会在振动信号中相互耦合。由于反作用和干扰，断层特征变得较弱，不可避免地被强烈的噪声淹没。此外，不同故障产生的谐振频带呈现频率重叠和组合。因此，从振动信号中分离不同的振荡分量并提取故障特征至关重要。

轴承复合故障

模型方法或系统：能量约束的群分解的迭代计算过程中，构建了一个能量滤波器来约束不同分量的能量，有效地抑制了频谱重叠。索引包络相关系数被用作能量约束的群分解迭代的终端条件，以减少相邻组件之间的过度分解。最后，提出了自适应谱幅度调制，通过峰度增强熵的最小值来定位提取组件的最佳故障频带，并进一步增强弱故障特征。

结果描述：在结果图中，存在明显的周期性脉冲，与原始振动信号相比，干扰分量显著减少。所示，在两个不同的分两种提取了内圈故障频率（136Hz、271Hz和409Hz）和外圈故障频率（92Hz、185Hz和271赫兹）。

原始信号时域波形与包络谱图

能量约束的群分解结果图