1 Forschung zur Lebensdauer und Zuverlässigkeit von Wälzlagern
1.1 Entwicklung und Status Quo von Lagerlebensdauer- und Zuverlässigkeitsprüfmaschinen
Die Lagerlebensdauer bezieht sich auf die Gesamtzahl der Umdrehungen oder Betriebsstunden eines Wälzkörpers oder einer Laufbahn eines Lagers, bevor ein Ermüdungsschälen auftritt. Die Prüfung der Lagerlebensdauer ist untrennbar mit Maschinen zur Prüfung der Lagerlebensdauer verbunden. Die Entwicklung von Lagerlebensdauerprüfmaschinen hat auch die Entwicklung der Lagerlebensdauerforschung miterlebt. Die Testforschung zur Lagerlebensdauer in meinem Land wird hauptsächlich von zwei wissenschaftlichen Forschungsinstituten geleitet, dem Luoyang Bearing Research Institute und dem Hangzhou Bearing Test and Research Center (United Nations Aid), ergänzt durch die Lebensdauer- und Zuverlässigkeitstestgrundlagen anderer verbundener Unternehmen, um gemeinsam verpflichten sich die Lagerlebensdauer der Lagerindustrie meines Landes, Zuverlässigkeits- und Leistungstestforschungsarbeit. Derzeit sind Design, F&E, und Produktion von Lagerlebensdauerprüfmaschinen in meinem Land waren völlig unabhängig, und einige technische Konzepte haben das international führende Niveau erreicht. Allerdings im Vergleich zu SKF, Schaeffler, Timken, NT usw. Ein großer ausländischer Wälzlagerhersteller hat erst sehr spät angefangen. Zu Beginn des 20. Jahrhunderts stützte sich die Entwicklung der Lagerindustrie in China hauptsächlich auf die technische Unterstützung des großen Bruders der ehemaligen Sowjetunion. Die Lebensdauerprüfung des Lagers wurde hauptsächlich auf Basis der Lagerlebensdauerprüfmaschine ZS durchgeführt, und die Bewertungsqualität dieser Prüfmaschine ist seit langem aus der Betriebsleistung des Lagers eliminiert. Entwicklungsanforderungen; und die "F&M 5" neue Wälzlager-Ermüdungslebensdauer-Prüfmaschine, die vom Hangzhou Bearing Test and Research Center (HBRC) im Rahmen des Hilfsprojekts der Vereinten Nationen aus den USA eingeführt wurde, ist nicht nur teuer und technologisch monopolisiert, sondern verwendet auch eine pneumatische Hochspannungsquelle und eine elektrische 60-Hz-Stromquelle Frequenz. Nicht geeignet für Chinas nationale Bedingungen. Daher ist es für Maschinen zur Erhöhung der Lagerlebensdauer zwingend erforderlich, eine unabhängige Produktion zu realisieren. In den 1990er Jahren entwickelte das Hangzhou Bearing Test and Research Center unabhängig voneinander die automatische Steuerung der Ermüdungslebensdauer von ABLT-1 auf der Grundlage von ausländischen fortschrittlichen Lebensdauerprüfmaschinen. Die Prüfmaschine eröffnete der heimischen Lebensdauerprüfmaschine neue Märkte und Perspektiven und hatte damals das internationale Spitzenniveau erreicht.
1.2 Forschung zur Vorhersage der Lagerlebensdauer und Zuverlässigkeitsprüfung
Während des Betriebs des Lagers während der gesamten Lebensdauer wird es wahrscheinlich durch Faktoren wie hohe Temperatur, schlechte Schmierung, unsachgemäße Montage, Eindringen von Fremdkörpern usw. beeinträchtigt, was zu Lagerschäden und Lagerausfällen führen kann. Da die Lagerlebensdauer sehr unterschiedlich ist, weist eine Charge von Lagern mit der gleichen Struktur, dem gleichen Material, der gleichen Wärmebehandlung und dem gleichen Verarbeitungsverfahren unter den gleichen Arbeitsbedingungen einen Unterschied von Dutzenden oder mehr zwischen der maximalen Lebensdauer und die Mindestlebensdauer. Traditionelle mathematische Statistiken zeigen die Lagerlebensdauer. Die Testdaten stimmen ungefähr mit der Weibull-Verteilung oder der Lognormalverteilung überein, sind jedoch unter tatsächlichen Arbeitsbedingungen immer noch schwer vorherzusagen. Daher ist die effektive Verarbeitung von Lagerlebensdauertestdaten besonders wichtig, und auch in- und ausländische Forschungseinrichtungen betreiben aktiv relevante Forschung zu Lagerlebensdauertestdaten. Saxenaet al. verwendeten den Parameter der Leistungsspektraldichte als Leistungsverschlechterungsindex des Wälzlagers, um die verbleibende Lebensdauer des Lagers vorherzusagen. Der Dichteparameter kann den Ort und das Ausmaß des Fehlers diagnostizieren. Xiao Tinget al. verwendeten Kurtosis- und Multi-Domain-Feature-Sets als Trendvorhersageindikatoren, die nicht nur den Laufzustand des Lagers effektiv widerspiegeln, sondern auch den Trend der Leistungsverschlechterung des Lagers vorhersagen. Banjevicet al. verwendet das Proportional-Hazard-Modell, um die Zuverlässigkeitsfunktion und die verbleibende Lebensdauer der Ausrüstung vorherzusagen, und verwendet die Kovariate zu einem bestimmten Zeitpunkt als Benchmark, um die verbleibende Lebensdauer vorherzusagen. Basierend auf früheren Studien schlug Kacpnynski ein Vorhersagemodell vor, das Überwachungsdaten mit Materialparametern kombiniert, und verwendet dieses Modell, um die Lebensdauer von Wälzlagern vorherzusagen. Kimothoet al. schlug einen Hybrid-Differential-Evolution-Particle Swarm Optimization (DE-PSO)-Optimierungsalgorithmus vor, um die Kernelfunktion und das Penalty-Parameter-Vorhersageverfahren der Support Vector Machine zu optimieren, wodurch die Klassifizierungsgenauigkeit der Support Vector Machine und die Genauigkeit der Vorhersage der verbleibenden Lebensdauer verbessert wurde, und übernahm Standard-Lagerversagensdaten wurden verifiziert. Orsaghet al. verwendet das Yu-Harris-Modell, um den anfänglichen Zeitpunkt des Ermüdungs-Spalling-Versagens von Wälzlagern vorherzusagen, und verwendet das Kotzalas-Harris-Modell, um die Ausfallzeit von Wälzlagern vorherzusagen. Panigrahi schlug einen Diffusionspartikelschwarm-Optimierungsalgorithmus (DPSO) vor, um das Problem der Schätzung der Maximum-Likelihood-Funktion bei der Erforschung der Verschlechterung der Lagerleistung zu lösen, und erzielte gute Vorhersageergebnisse.
Das aktuelle, auf Statistik basierende Lebensdauermodell nimmt bei der Vorhersage der Lagerlebensdauer nach wie vor eine Spitzenstellung ein. Experimente und technische Anwendungen haben jedoch ergeben, dass die durch das statistische Lebensdauermodell berechnete Lebensdauer normalerweise konservativ ist und die Lebensdauer des Lagers groß ist. Daher ist die Untersuchung des Mechanismus der Verschlechterung der Lagerleistung zur Verbesserung der Lagerlebensdauermodelle ein wichtiges Thema. Die auf Zustandsüberwachung basierende Lebensdauervorhersagemethode hat sich mit der Entwicklung neuer Informationstechnologien und künstlicher Intelligenz zu einem heißen Gebiet der Lagerlebensdauervorhersageforschung entwickelt. Mithilfe von Big Data, Informationen der künstlichen Intelligenz und anderen Technologien können dynamische Signale erhalten werden, die die Lagerbetriebsleistung widerspiegeln, Signalcharakteristikparameter, die die Verschlechterung der Lagerleistung charakterisieren, und die Zuordnungsbeziehung zwischen Signalcharakteristikparametern und verbleibender Lebensdauer erstellt werden, um die Vorhersage der verbleibenden Lebensdauer realisieren. Es fehlt jedoch an geeigneten charakteristischen Parametern, um das evolutionäre Gesetz des allmählichen Abfalls der Lagerleistung während des Betriebs zu messen. Im Vergleich zu traditionellen Lebensvorhersagemodellen sind Methoden der künstlichen Intelligenz wie neuronale Netze in ihrer physikalischen Bedeutung nicht klar genug und die Parameter haben größere Einflussfaktoren. Für die Technologie zur Vorhersage der Lagerlebensdauer ist es sehr wichtig, eingehende Untersuchungen zu den schwierigen Punkten durchzuführen.
2 Forschung zur Big-Data-Gesundheitsüberwachung von Wälzlagern
Die Lagerzustandsüberwachung basiert auf den vorhandenen bekannten Daten, um Änderungen des zukünftigen Betriebszustands des Lagers innerhalb eines bestimmten Zeitraums vorherzusagen, um genau und schnell Informationen über die Fehlerentwicklung zu erhalten. Die Zustandsüberwachung und Zustandsüberwachung von Lagern kann das Gesetz des Lagerverschleißprozesses erfassen, größere Ausfälle verhindern und Probleme verhindern, bevor sie auftreten.
Caesarendraet al. verwendet den Regressionsalgorithmus der Korrelationsvektormaschine und die Kombinationsmethode der logistischen Regression, um den Grad der Lagerverschlechterung und die vorhergesagte Ausfallzeit zu bewerten. Yuet al. verwendet die lokale Schutzprojektionsmethode, um die Eigenschaften des Lagerbetriebs zu extrahieren, und verwendet ein Gaußsches Mischungsmodell und statistische Indikatoren, um den Zustand des Lagers zu bewerten. Die Studie zeigte, dass die Wirkung der Merkmalsextraktion signifikant besser war als die der Komponentenanalysemethode. Li Xiuwenet al. verwendeten morphologische Filter im Frequenzbereich, um das Rauschen der Schallemissionssignale von Wälzlagern bei niedriger Drehzahl zu reduzieren, und verglichen die Simulation mit tatsächlichen Lagersignalen. Die Ergebnisse zeigten, dass diese Methode gute Ergebnisse liefert. Rojaset al. schlug ein SVM-basiertes Fehlerdiagnoseverfahren für Wälzlager vor. Die Zeitbereichseigenschaften von Wälzlagerschwingungssignalen wurden von SVM identifiziert. Jeonget al. verwendete die Methoden der diskreten Wavelet-Transformation und der spektralen Kurtosis-Analyse, um die charakteristischen Frequenzen der Fehler in jedem Teil des Wälzlagers zu erhalten, und vervollständigte den Innenring-Außenring, den Innenring-Wälzkörper, den Außenring-Wälzkörper, den Innenring -äußere Diagnose der zusammengesetzten Fehlerform des Ringwälzkörpers.
Einige der Indikatoren für die Überwachung des Lagerbetriebszustands können durch das Sammeln von physikalischen Parametern wie Temperatur, Vibration, Geräuschamplitude usw. erreicht werden, und einige erfordern, dass Forscher die Daten durch Signalverarbeitungsmethoden wie den Grad der Temperaturänderung verbessern. , Vibrationsintensität, Schalldruckintensität usw. Durch die Charakterisierung dieser Indikatoren kann der Gesundheitszustand des Lagers bewertet, die Vorhersage und Frühwarnung des Laufzustands des Lagers durchgeführt und das Ingenieurpersonal informiert werden veranlasst, entsprechende Schutzmaßnahmen zu ergreifen, um eine Verschlechterung des Gesundheitszustands des Lagers zu vermeiden. Für die Überwachung und Analyse des Lagerzustands wurde jedoch in dieser Phase noch keine einheitliche Plattform eingerichtet, um gemeinsame Merkmale bei Lagerausfällen zu integrieren, und sie ist immer noch nicht sehr gut bei der Ermittlung von Fehlerursachen, reaktionsschnellen Vorhersagemethoden und kollaborativem Management von mehreren Lagern. perfekt.
2021-05-17
