用于轴承缺陷自动检测的系统和方法技术方案

一种用于执行轴承缺陷自动检测的方法提供了一种用于处理状况监测数据的算法，所述状况监测数据包括联接到可旋转轴的至少一个轴承的振动谐波，所述轴承具有内圈和外圈。所述算法用于以高置信度确认是否存在轴承缺陷。算法用于以高置信度确认是否存在轴承缺陷。算法用于以高置信度确认是否存在轴承缺陷。

【技术实现步骤摘要】
用于轴承缺陷自动检测的系统和方法

技术介绍

[0001]所有轮轴均装配有相同轴设计的列车可以安装有来自不同制造商的轴承，即使它们具有相同的空间包络和“容量(capacity)”，由于它们的内部几何形状的轻微变化，这些轴承也经常具有不同的轴承缺陷频率。利用例如由主要营业地点在瑞典哥德堡41550号的斯凯孚公司制造的@ptitude Observer(@O)管理哪个轴承安装在哪个轴箱上以及及时更新数据库在工时方面是昂贵的，并且容易出错。
[0002]由主要营业地点在瑞典哥德堡41550号的斯凯孚公司制造的一种名称为“洞察轨道(Insight Rail)系统”的系统利用GPS线性速度和车轮直径来确定针对每次测量的轴rpm值，然而在轨道轮组的寿命期间，车轮轮廓遭受磨损、凹痕(dents)、平坦(flats)和疲劳凹陷(fatigue squats)(剥落(spalls))，因此需要在某状况下或定期重新成型(reprofiling)。重新成形通过车削(turning)或磨削(grinding)来完成，并且每次减小车轮的直径(同一轮轴上的两个车轮总是保持在相同的直径)，因此在轮组的寿命期间，其直径相对于崭新时通常减小超过10％。管理初始(在Insight安装时)和每次重新成型之后的各个轴轮直径以及然后及时更新@ptitudeObserver(@O)数据库在工时方面是昂贵的，并且也容易出错。
[0003]通常，由斯凯孚公司制造的InsightRail系统被安装在列车上，该列车的轴承在其服务期分开，因此存在一个或多个轴承已经在一定程度上剥落的可能性，因此需要在无需学习期的情况下检测轴承剥落。与由主要营业地点在瑞典哥德堡41550号的斯凯孚公司制造的@OProtean系统不同，@OProtean系统均需要具有“健康的”轴承的“学习”期来建立趋势特征和/或警报阈值。

技术实现思路

[0004]根据一个或多个非限制性实施方式，提供了一种执行轴承缺陷自动检测的方法。所述方法包括：由处理器从一个或多个传感器接收状况监测数据，所述状况监测数据包括联接到可旋转轴的至少一个轴承的振动谐波，所述轴承具有内圈和外圈，所述方法还包括：
[0005]a)接收先前或循序变换到频域的振动数据，并且所述振动数据最终作为幅度和频率阵列连同以RPM或RPS为单位的近似(approximately)轴速度被提供，
[0006]b)应用峰确定方法，所述峰确定方法从背景噪声、以及所述峰实际振幅和它们的精确峰中心频率确定各个峰，其中每个可能的峰的所述精确频率和振幅被存储在阵列中，
[0007]c)识别每个峰的落入目标基频范围的特定范围内的所有可行的整数子阶(whole number sub
‑
orders)直到包含所述峰本身的预定义阶数，针对每个定义缺陷类型识别一个峰，并且将那些峰以及它们的谐波数和它们的理论基频(一起)存储为阶阵列，
[0008]d)通过许多方法中的一种或多种方法对落入每个特定目标范围内的所述理论基频进行聚类，将具有预定义的聚类大小限制的所述理论基频和根据其中的峰数量和/或所述最紧密的聚类大小而具有可接受的聚类特性的聚类组织成组，并且将所有其他理论基频和聚类组织为离群值，并将所述组存储在阶阵列中，以及
[0009]e)从所述原始列表识别可以是在步骤(d)中识别出的所述峰的可行的边带分量的所有峰，所述峰具有在目标边带频率范围的特定范围内的基本增量频率，针对每个定义缺陷类型的一个，且高达预定义的边带+/
‑
增量阶，以确定所有可行理论基本增量边带频率，并且存储那些可行边带峰连同边带数，将落在边带目标范围中的每个边带目标范围内的所述理论增量边带频率和所述中心峰ID索引存储为边带阵列，以及
[0010]f)将聚类方法应用于所述所有峰的具有预定义的聚类大小限制的基本增量频率，并且将根据其中的峰数量和/或最紧密(tightest)聚类大小而具有可接受的聚类特性的那些聚类组织成边带组，并且将所有其他聚类组织为离群值，并且所述边带组是参考来自所述阶阵列的它们各自的中心频率峰被存储在阵列中的。
[0011]在第二方面，该方法可以提供针对每个内圈或外圈轴承缺陷(或其他缺陷类型)的分组模式。用于模式构造的三个因素通过以下来定义：1)识别作为阶数的所述谐波，2)边带的所述数量，以及3)针对所述边带的所述基频范围和频率范围，其中基频分量、没有谐波分量或很少谐波分量、没有具有除了其基频之外的增量频率的边带分量或很少具有除了其基频之外的增量频率的边带分量包括可能的分组模式。
[0012]在第三方面，该方法可以提供确定状况指标，其中，然后可以通过以下来选择最可行的组：(a)与加权模式分量的相关性，(b)分量的存在与否，(c)组分量的RSS，(d)对每个组上的模式识别方法。
[0013]在第四方面，该方法可以提供以高置信度识别缺陷，其中可以通过“N个/次中的大多数”(MooN)原则以高置信度预测缺陷。也就是说，对于每个逻辑测试，N个/次测量结果的测试集中的大多数结果必须是“积极”，其中MooN逻辑参数通过以下来定义：a)经验丰富的分析师，b)通过关于已知数据的实验设计(DOE)，c)经由机器学习。使用人工智能算法来“学习”参数，以识别存在哪些缺陷。
[0014]在另一方面，该方法可以提供：通过数据获取系统将幅度和频率阵列转换为包络加速度(Enveloped Acceleration)，和/或在FFT之前对数据执行汉宁窗(Hanning window)，和/或对数据执行FFT或RFT以生成频谱数据，和/或从实频谱分量和虚频谱分量计算FFT数据的幅度，“幅度”＝SQRT(Real2+Imag2)，和/或截断(truncated)频谱。
[0015]在另一方面，该方法可以提供在步骤c)将每个峰频率依次除以从1至将包括的谐波数量的数值，以确定所有次可行的(sub
‑
feasible)理论基频。
[0016]在另一方面，该方法可以提供在步骤b)将识别出的每个峰的频率依次减去每个其他峰的频率，并将结果的绝对值除以数字1至将搜索的边带数量，从而识别所有可行的边带峰。
[0017]在另一方面，该方法可以通过应用从所述组列表中移除组的方法来优化组，所述组是具有较低基频或较高基频的另一组的子组，诸如但不限于，(a)所述组中的大多数作为较低基频的另一组中的阶存在，(b)峰的阶均是2、3或更多中的任一个的倍数，(c)基频的前几个阶的大部分需要作为峰存在，通常为前3个中的2个或前5个中的3个等。
[0018]在另一方面，该方法可以通过应用以下方法来提供优化组：识别多于一个组中的阶峰，通过基于一个或多个基于概率的、评估所述峰相对于所述组中的其他峰的关系的规则或模型来建立所述峰最可能来自哪个组，并将所述峰从其他组中移除，诸如但不限于，(a)所述峰的特定基频比其他峰的基频更接近一组基频的平均值，(b)所述峰在一组中的阶
低于其在另一组中的阶。
[0019]在另一方面，该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于执行轴承缺陷自动检测的方法，包括：由处理器从一个或多个传感器接收状况监测数据，所述状况监测数据包括联接到可旋转轴的至少一个轴承的振动谐波，所述轴承具有内圈和外圈，所述方法还包括：a)接收先前或循序变换到频域的振动数据，并且所述振动数据最终作为幅度和频率阵列连同以RPM或RPS为单位的近似轴速度被提供，b)应用峰确定方法，所述峰确定方法从背景噪声、以及峰实际振幅和它们的精确峰中心频率确定各个峰，其中每个可能的峰的精确频率和振幅被存储在阵列中，c)识别每个峰的落入目标基频范围的特定范围内的所有可行的整数子阶直到包含所述峰本身的预定义阶数，针对每个定义缺陷类型识别一个，并且将那些峰以及它们的谐波数和它们的理论基频存储为阶阵列，d)通过许多方法中的一种或多种方法对落入每个特定目标范围内的所述理论基频进行聚类，将具有预定义的聚类大小限制的所述理论基频和根据其中的峰数量和/或最紧密的聚类大小而具有可接受的聚类特性的聚类组织成组，并且将所有其他理论基频和聚类组织为离群值，并将所述组存储在阶阵列中，以及e)从原始列表中识别可以是在步骤(d)中识别出的所述峰的可行的边带分量的所有峰，所述峰具有在目标边带频率范围的特定范围内的基本增量频率，针对每个定义缺陷类型一个，且高达预定义的边带+/
‑
增量阶，以确定所有可行理论基本增量边带频率，并且存储那些可行边带峰连同边带数，将落在边带目标范围中的每个边带目标范围内的理论增量边带频率和中心峰ID索引存储为边带阵列，以及f)将聚类方法应用于所述所有峰的具有预定义的聚类大小限制的基本增量频率，并且将根据其中的峰数量和/或最紧密聚类大小而具有可接受的聚类特性的那些聚类组织成边带组，并且将所有其他聚类组织为离群值，并且所述边带组是参考来自所述阶阵列的它们各自的中心频率峰被存储在阵列中的。2.根据权利要求1所述的用于执行轴承缺陷自动检测的方法，其特征在于，还包括针对每个内圈或外圈轴承缺陷(或其他缺陷类型)的分组模式，其中用于模式构造的三个因素通过以下定义：1)识别作为阶数的谐波，2)边带的数量，以及3)针对所述边带的基频范围和频率范围，其中基频分量、没有谐波分量或很少谐波分量、没有具有除了其基频之外的增量频率的边带分量或很少具有除了其基频之外的增量频率的边带分量包括可能的分组模式。3.根据权利要求1所述的用于执行轴承缺陷自动检测的方法，其特征在于，还包括确定状况指标，其中，然后可以通过以下来选择最可行的组：(a)与加权模式分量的相关性，(b)分量的存在与否，(c)组分量的RSS，(d)对每个组的模式识别方法。4.根据权利要求1所述的用于执行轴承缺陷自动检测的方法，其特征在于，还包括以高置信度识别缺陷，其中可以通过“N个/次中的大多数”(MooN)原则以高置信度预测缺陷；也就是说，对于每个逻辑测试，N个/次测量结果的测试集中的大多数结果必须是“积极”，其中MooN逻辑参数通过以下来定义：a)经验丰富的分析师，b)通过关于已知数据的实验设计(DOE)，c)经由机器学习，其中使用人工智能算法来“学习”参数，以识别存在哪些缺陷。5.根据权利要求1所述的方法，其特征在于，通过数据获取系统将幅度和频率阵列转换为包络加速度，和/或在FFT之前对数据执行汉宁窗，和/或对数据执行FFT或RFT以生成频谱数据，和/或从实频谱分量和虚频谱分量计算FFT数据的幅度，“幅度”＝SQRT(Real2+
Imag2)，和/或截断所述频谱。6.根据权利要求1所述的方法，其特征在于，还包括在步骤c)将每个峰频率依次除以从1至将包括的谐波数量的数值，以确定所有次可行的理论基频。7.根据权利要求1所述的方法，其特征在于，还包括将步骤b)中识别出的每个峰的频率依次减去每个其他峰的频率，并将结果的绝对值除以数字1至将搜索的边带的数量，从而识别所有可行的边带峰。8.根据权利要求1所述的方法，其特征在于，还包括通过应用从所述组列表中移除组的方法来优化组，所述组是具有较低基频或较高基频的另一组的子组，例如但不限于，(a)所述组中的阶峰中的大多数阶峰作为较低基频的另一组中的阶存在，(b)峰的阶均是2、3或更多中的任一个的倍数，(c)基频的前几个阶的大部分需要作为峰存在，通常为前3个中的2个或前5个中的3个等。9.根据权利要求1所述的方法，其特征在于，还包括通过应用以下方法来优化组：识别多于一个组中的阶峰，通过基于一个或多个基于概率的、评估所述峰相对于所述组中的其他峰的关系的规则或模型来建立所述峰最可能来自哪个组，并将所述峰从其他组中移除，诸如但不限于，(a)所述峰的特定基频比其他峰的基频更接近一组基频的平均值，(b)所述峰在一组中的阶低于其在另一组中的阶。10.根据权利要求1所述的方法，其特征在于，还包括通过应用以下方法来优化边：通过一个或多个基于概率的规则或模型来确定每个边...

【专利技术属性】
技术研发人员：艾伦，
申请(专利权)人：斯凯孚公司，
类型：发明
国别省市：