论文部分内容阅读
摘要：都是大型机械加工设备运转的关键部件，一旦出现故障之后可能导致整个加工制造系统陷入瘫痪，影响企业的正常生产。对此，我们需要准确分析大型机械加工设备的运行特点，并且围绕轴承故障诊断技术展开深度探索，以便于增加零部件的加工精度，减少废品率，这也是本次研究的主要切入点。
关键词：机械加工;轴承故障;诊断技术
引言
轴承故障诊断最早出现于20世纪60年代，并且在傅里叶变换正式出现之后得到了快速发展，产生了各类频谱分析仪器。现代科学技术的发展使得故障诊断技术得到了深度推进，包括冲击脉冲和共振解调技术在内的各类故障监测手段投入运行，包含信号测量，信号预处理和故障类型判断等多个方面。
1.机械加工设备轴承故障问题
1.1 常见故障
现阶段引起轴承故障的原因体现在多个方面，例如安装问题，润滑问题等都会导致轴承运转过程出现损坏，按照轴承的损伤程度可以分为三种不同类型。
首先是磨损引起的故障，此类故障比较简单，是由于轴承长时间运行之后出现的正常材料损耗，这种渐变性故障不会立即引起轴承损伤，因此容易被忽略，振动信号时域表现形式与正常信号相同幅值略微大。
第二则是表面损伤故障，例如表面疲劳剥落、点蚀等。需要注意的是点蚀是当前最为严重的故障类型之一，通常情况下与化学腐蚀和电腐蚀有关，例如轴承表面接触带有腐蚀性的液体或酸性润滑剂等，再加上轴承内有电流通过，由电击导致轴承表面凹凸不平。胶合问题也较为多见，主要原因是摩擦发热使得轴承零件在短时间内温度过高引起表面烧伤。
最后则是轴承材料变形类故障，例如断裂或塑性变形等都会导致轴承的直接形变，影响设备的正常运行，其中断裂是由于轴承承受载荷过大所导致，与生产工艺和装配工艺有着密切联系。轴承塑性变形也是因为轴承受到过大的挤压力，导致产生永久性形变[1]。
1.2 故障诊断
通常情况下，机械加工设备运转环节当中不可避免会出现震动或噪声等问题，此类原因是由设备本身的机械结构和环境影响所导致。再加上零部件之间不可避免出现摩擦和局部温度升高现象，采取故障诊断非常必要。而常见的轴承故障诊断方法也得到了综合应用。
最为基础的方法是温度检测方法，在轴承高速运转过程当中对变化幅值进行检测，但由于该方法对于某些微小故障所导致的温度变化敏感度不足，只有在故障到达一定程度之后才能发挥作用，在某些特殊情况下，无法发挥有效的功能。
噪声分析法是通过轴承运行过程当中的噪声变化情况对故障进行判断，此类信号检测方法的优势在于以无损检测减少与轴承的接触，但其缺陷在于测量过程受环境干扰较大。
弹性波诊断法是利用声发射过程测试材料在受到外力或内力作用下产生的应变能，例如轴承在出现剥落故障时就会出现生发射信号，以此为基础展开故障诊断之后，能够确定故障的类型和状态。这种方法多应用于轴承早期故障诊断，并且与声发射信号机理之间密切相关。
油样分析法则是依靠检测轴承磨损微粒在润滑油当中的数量来确定轴承的故障程度，对轴承磨损类故障具有非常高的敏感性。无论是光谱分析还是铁谱分析，都会基于不同微粒的特性进行检测。
振动分析则是当前最为普遍也最为常见的一种故障诊断方案，所有轴承故障都可以利用振动分析法进行检测，利用安装在轴承表面上的加速传感器获得信号之后，利用信号分析方法来对结果展开诊断，如利用振动信号作为轴承故障诊断的载体[2]。
2.轴承故障识别与技术
2.1 振动信号的轴承故障特征分析
传统的信号分析方法当中，时域特征分析被广泛应用，对于从传感器测量得到的信号来说，其直观的特征就是幅值的变化和信号的基本特征，能够反映设备在正常运行当中的振动幅度和峰值等。此外，相关分析基于定量分析对两个信号的相关程度进行评估，借助数学形态学的知识做好信号图像处理和算法应用，值得一提的是，数学形态学不仅在图像处理方面得到了有效推广，同时在振动信号方面也发挥了重要功能，例如，提取形态学与神经网络相结合的形态学神经网络算法就可以在安全性分析当中扮演重要的角色，其能够有效提高轴承故障诊断和识别的效率和准确率，具有很好的效果。
2.2 轴承故障识别
对轴承故障进行诊断和识别是展开故障診断的最中环节和最关键环节，按照提取的振动信号特征对类型进行判断之后，就可以精确定位故障原因和解决方案。常见的支持向量机，就是基于统计学习理论所产生的机器学习算法基本知识，其本质是一种线性分类方法，通过函数变换将数据从低维空间转换为高维空间，不仅能够确定两类数据得到正确分割，同时分类间隔处于最大，所以支持向量机具有稳定的泛化能力[3]。最小二乘支持向量机则有效缩减了支持向量数量，避免大规模逆矩阵计算从而降低计算环节的难度。
2.3 PSO算法
该算法的原理是利用鸟群的觅食过程来进行粒子群优化，在种群迭代时，下一代种群朝着上一代种群的个体最优个体展开学习，最终能够得到最优种群。这种算法相对简单，且设置参数较少，具有良好的局部搜索能力和灵活分析能力，是当前使用普遍的优化热门算法。很多研究也提出基于优化的复杂网络拓扑结构识别和自适应同步方法的结合，确保粒子群算法不会错过任何极值点。目前，PSO算法在机械轴承诊断中也得到了较多的应用，其能够准确地检测并识别出轴承故障，而且具有安全、无损的特点，是一种切实可靠的诊断方法。
3.结语
本次研究以机械加工设备轴承作为主要研究对象，分析了常见的故障以及故障诊断技术方案，这对于重要零部件的生产加工而言意义突出。考虑到机械加工的生产周期本身较长，一旦出现故障之后往往会造成各类事故，因此对机械加工过程展开定期的诊断非常必要，这不仅关系到设备的正常运转和生产活动的进行，同时还能节约企业成本减少不必要损失
参考文献：
[1]杨婧婷. 机械加工过程中轴承故障诊断方法研究[J]. 机械设计与制造，2021（2）：5.
[2]张星星，李少波，柘龙炫，等. 基于机器学习算法的滚动轴承故障诊断研究[J]. 组合机床与自动化加工技术，2020（7）：5.
[3]蒙志强，董绍江，潘雪娇，等. 基于改进卷积神经网络的滚动轴承故障诊断[J]. 组合机床与自动化加工技术，2020（2）：5.
关键词：机械加工;轴承故障;诊断技术
引言
轴承故障诊断最早出现于20世纪60年代，并且在傅里叶变换正式出现之后得到了快速发展，产生了各类频谱分析仪器。现代科学技术的发展使得故障诊断技术得到了深度推进，包括冲击脉冲和共振解调技术在内的各类故障监测手段投入运行，包含信号测量，信号预处理和故障类型判断等多个方面。
1.机械加工设备轴承故障问题
1.1 常见故障
现阶段引起轴承故障的原因体现在多个方面，例如安装问题，润滑问题等都会导致轴承运转过程出现损坏，按照轴承的损伤程度可以分为三种不同类型。
首先是磨损引起的故障，此类故障比较简单，是由于轴承长时间运行之后出现的正常材料损耗，这种渐变性故障不会立即引起轴承损伤，因此容易被忽略，振动信号时域表现形式与正常信号相同幅值略微大。
第二则是表面损伤故障，例如表面疲劳剥落、点蚀等。需要注意的是点蚀是当前最为严重的故障类型之一，通常情况下与化学腐蚀和电腐蚀有关，例如轴承表面接触带有腐蚀性的液体或酸性润滑剂等，再加上轴承内有电流通过，由电击导致轴承表面凹凸不平。胶合问题也较为多见，主要原因是摩擦发热使得轴承零件在短时间内温度过高引起表面烧伤。
最后则是轴承材料变形类故障，例如断裂或塑性变形等都会导致轴承的直接形变，影响设备的正常运行，其中断裂是由于轴承承受载荷过大所导致，与生产工艺和装配工艺有着密切联系。轴承塑性变形也是因为轴承受到过大的挤压力，导致产生永久性形变[1]。
1.2 故障诊断
通常情况下，机械加工设备运转环节当中不可避免会出现震动或噪声等问题，此类原因是由设备本身的机械结构和环境影响所导致。再加上零部件之间不可避免出现摩擦和局部温度升高现象，采取故障诊断非常必要。而常见的轴承故障诊断方法也得到了综合应用。
最为基础的方法是温度检测方法，在轴承高速运转过程当中对变化幅值进行检测，但由于该方法对于某些微小故障所导致的温度变化敏感度不足，只有在故障到达一定程度之后才能发挥作用，在某些特殊情况下，无法发挥有效的功能。
噪声分析法是通过轴承运行过程当中的噪声变化情况对故障进行判断，此类信号检测方法的优势在于以无损检测减少与轴承的接触，但其缺陷在于测量过程受环境干扰较大。
弹性波诊断法是利用声发射过程测试材料在受到外力或内力作用下产生的应变能，例如轴承在出现剥落故障时就会出现生发射信号，以此为基础展开故障诊断之后，能够确定故障的类型和状态。这种方法多应用于轴承早期故障诊断，并且与声发射信号机理之间密切相关。
油样分析法则是依靠检测轴承磨损微粒在润滑油当中的数量来确定轴承的故障程度，对轴承磨损类故障具有非常高的敏感性。无论是光谱分析还是铁谱分析，都会基于不同微粒的特性进行检测。
振动分析则是当前最为普遍也最为常见的一种故障诊断方案，所有轴承故障都可以利用振动分析法进行检测，利用安装在轴承表面上的加速传感器获得信号之后，利用信号分析方法来对结果展开诊断，如利用振动信号作为轴承故障诊断的载体[2]。
2.轴承故障识别与技术
2.1 振动信号的轴承故障特征分析
传统的信号分析方法当中，时域特征分析被广泛应用，对于从传感器测量得到的信号来说，其直观的特征就是幅值的变化和信号的基本特征，能够反映设备在正常运行当中的振动幅度和峰值等。此外，相关分析基于定量分析对两个信号的相关程度进行评估，借助数学形态学的知识做好信号图像处理和算法应用，值得一提的是，数学形态学不仅在图像处理方面得到了有效推广，同时在振动信号方面也发挥了重要功能，例如，提取形态学与神经网络相结合的形态学神经网络算法就可以在安全性分析当中扮演重要的角色，其能够有效提高轴承故障诊断和识别的效率和准确率，具有很好的效果。
2.2 轴承故障识别
对轴承故障进行诊断和识别是展开故障診断的最中环节和最关键环节，按照提取的振动信号特征对类型进行判断之后，就可以精确定位故障原因和解决方案。常见的支持向量机，就是基于统计学习理论所产生的机器学习算法基本知识，其本质是一种线性分类方法，通过函数变换将数据从低维空间转换为高维空间，不仅能够确定两类数据得到正确分割，同时分类间隔处于最大，所以支持向量机具有稳定的泛化能力[3]。最小二乘支持向量机则有效缩减了支持向量数量，避免大规模逆矩阵计算从而降低计算环节的难度。
2.3 PSO算法
该算法的原理是利用鸟群的觅食过程来进行粒子群优化，在种群迭代时，下一代种群朝着上一代种群的个体最优个体展开学习，最终能够得到最优种群。这种算法相对简单，且设置参数较少，具有良好的局部搜索能力和灵活分析能力，是当前使用普遍的优化热门算法。很多研究也提出基于优化的复杂网络拓扑结构识别和自适应同步方法的结合，确保粒子群算法不会错过任何极值点。目前，PSO算法在机械轴承诊断中也得到了较多的应用，其能够准确地检测并识别出轴承故障，而且具有安全、无损的特点，是一种切实可靠的诊断方法。
3.结语
本次研究以机械加工设备轴承作为主要研究对象，分析了常见的故障以及故障诊断技术方案，这对于重要零部件的生产加工而言意义突出。考虑到机械加工的生产周期本身较长，一旦出现故障之后往往会造成各类事故，因此对机械加工过程展开定期的诊断非常必要，这不仅关系到设备的正常运转和生产活动的进行，同时还能节约企业成本减少不必要损失
参考文献：
[1]杨婧婷. 机械加工过程中轴承故障诊断方法研究[J]. 机械设计与制造，2021（2）：5.
[2]张星星，李少波，柘龙炫，等. 基于机器学习算法的滚动轴承故障诊断研究[J]. 组合机床与自动化加工技术，2020（7）：5.
[3]蒙志强，董绍江，潘雪娇，等. 基于改进卷积神经网络的滚动轴承故障诊断[J]. 组合机床与自动化加工技术，2020（2）：5.