外文文獻翻譯--使用聲發射傳感器的低速軸承故障診斷【中文9600字】 【PDF+中文WORD】

外文文獻翻譯--使用聲發射傳感器的低速軸承故障診斷【中文9600字】 【PDF+中文WORD】,中文9600字,PDF+中文WORD,外文文獻翻譯,使用聲發射傳感器的低速軸承故障診斷【中文9600字】,【PDF+中文WORD】,外文,文獻,翻譯,使用,聲發,傳感器,低速,軸承,故障診斷,中文,9600 【中文9600字】 使用聲發射傳感器的低速軸承故障診斷 摘 要 本文提出了一種新的低速軸承故障診斷方法。這種基于聲學發射（AE）的技術從外差頻率降低方法開始，其以與振動為中心的方法相當的速率對AE信號進行采樣。然后，對采樣的AE信號進行時間同步重采樣，以解釋可能的軸速波動和軸承滑移。重新取樣方法夠根據軸穿越時間來分割AE信號，使得均勻數據點的數量可用于計算單個頻譜平均值，用于提取特征并評估軸承故障診斷的眾多條件指標（CI）。與現有的基于平均值的降噪方法不同，該方法需要計算每個軸承故障類型的多個平均值，所提出的方法僅計算所有軸承故障類型的一個平均值。所提出的技術通過在軸承試驗臺上使用種子故障鋼軸承的AE信號進行驗證。本文的結果表明，采用低采樣AE信號并結合所提出的方法可以有效地提取條件指標，以診斷在10 Hz以下的多個低速軸上所有四種軸承故障類型。 關鍵詞：軸承故障，診斷聲，發射傳感器，低速 1. 緒論 大多數重型設備和機械設備至少包含某種類型的軸承。另外，因為軸承在非理想的工作條件下使用通常是很常見的，所以可能會出現問題并導致過早失效。軸承失效時，故障可能導致嚴重的停機時間，成本，以及生產力下降的可能性。最近的一項研究提出了一種使用神經網絡和時域/頻域振動方法的滾動軸承故障診斷方法[1]。這項研究表明神經網絡可以幫助使用振動數據診斷各種電機軸承故障?由軸承試驗臺產生。當使用統計時間特征時，神經網絡也被證明對于狀態監測是有效的[2]。另一項研究主要集中在旋轉機械上，并使用基于模型的方法來檢測和診斷機械故障[3]。該研究開發了一種非線性濾波技術，以解決由于諸如不平衡，剛度變化以及轉子軸承系統的阻尼等因素導致的復雜的非線性振動響應。上述技術的驗證通過使用低信號噪聲環境模擬。參考[4]提出了基于定子電流監測的原位軸承故障的故障檢測方法。 在本文中，采用噪聲消除和統計過程控制技術相結合的方法提取軸承故障特征，以檢測由于缺乏潤滑的軸承的退化而失控的樣本。一研究已經提出了兩步數據挖掘方法來分類塑料軸承中的缺陷[5]。 這項研究有效地使用了經驗模式分解（EMD）來提取時域條件指標（CI），這些指標被用作監督學習算法的輸入來分類軸承缺陷。 其他研究已經通過使用局部和非局部保持投影[6]，跟蹤比線性判別分析[7]或功率譜密度（PSD）分析了放大器和頻率電流解調軸承信號，提出了有效的軸承缺陷技術對于直驅風力渦輪機[8]。 在許多行業中，使用低速旋轉機器是成功操作的主要原因。這些機器可以在鋼鐵和造紙廠，生物應用和風力渦輪機中找到。因此，在這些應用中監測軸承，軸和齒輪對于低速設備的正確維護至關重要。在低速軸承故障診斷文獻中，低速被認為在0.33 Hz到10 Hz的范圍內[9]，而顯著較低的速度閾值被認為是一個單獨的分類范圍。例如，速度低于0.5赫茲被認為是“超低”[10]，如果低于0.83赫茲被認為是“極低”[11]。 在本文中，將討論軸速度落在[9]中描述的低速范圍內的軸承故障診斷問題。 迄今為止，使用振動分析對滾動軸承和其他旋轉設備進行狀態監測是一種已建立的技術和行業標準。一項研究調查了振幅解調振動信號的參數模型的使用以及由此產生的頻譜，用于軸承故障檢測和診斷1 Hz軸速缺陷的滾子軸承[12]。在該論文中，信號處理技術首先用于檢測軸承缺陷，然后用頻譜對缺陷進行分類。該方法雖然有效，但需要對頻譜進行視覺檢查以實現故障診斷。后來，另一項研究開發了低速技術系統來測量由低速旋轉機械引起的振動[9]。該系統的核心是將機器的高頻噪聲與感興趣的低頻特征分開，并使用低速轉子和變速箱的結果來驗證。最近，對于低速應用，已經建立了一個有缺陷的軸承振動信號的一般模型，并且已經表明包絡自相關可以在有故障的軸承中觀察到，但是在健康的軸承情況下可以觀察到[13]。其他人則試圖開發新的加速度計，并表明借助共振解調技術可以檢測到低速滾動軸承故障[14]。然而，在低速應用中使用振動是有限的，因為使用傳統的基于加速度計的監測系統可能無法檢測到以這種速度發生的故障所產生的能量變化。因此，研究人員已經研究了在低速條件下使用聲發射（AE）傳感器和應變儀進行組分監測。 基于AE的研究已經顯示了對早期故障檢測的有希望的結果，最近的研究探索了它們在低速軸承監測中的應用。早期的一項調查研究了低速監測軸承[15]。在這項研究中，提出了比較加速度，沖擊脈沖換能器，聲發射和加速度測量的結果。在得出的其他結論中，有人提到AE能夠在低至0.17 Hz的速度下清楚地檢測到外部軌道軸承缺陷。但是，也有人提到，觀測到的AE響應無法解釋，而且由于信號沒有在每轉一次的基礎上嚴格重復，因此無法使用平均方法。另一項研究報道了在0.0083 Hz至0.083 Hz的極低軸速下使用AE監測滾動軸承的情況[11]。在這項研究中發現，當軸承以非常低的速度旋轉時，AE測量對于檢測軸承故障非常敏感，而加速度包絡僅限于在10Hz的最低軸速度下檢測故障。這項研究利用了AE脈沖計數，并指出使用這種方法可以使數據易于管理。參考[16]探索了AE在軸承低速監測中的應用。本研究采用K均值聚類方法對球面滾子軸承上的線缺陷進行分類。雖然取得了有希望的結果，但該研究集中于100 kHz至1 MHz的頻率范圍，并且還依賴于數據挖掘技術，由于模型的訓練和測試需要大量數據，因此這種技術可能非常耗時。參考 [17]也依賴于數據挖掘方法，提出了基于相關向量機和支持向量機的不同分類技術以0.33 Hz至1.33 Hz的軸速診斷軸承故障。在另一項研究中，使用AE傳感器研究低頻滾動軸承在100 kHz頻率范圍內的早期故障檢測[18]。本研究使用不同的濾波器評估了多個時域條件指標頻帶來確定可以區分健康和有故障的內部軸承信號的最佳參數。然而，本研究的目標是確定可用于評估獲取的AE信號的有效濾波器頻帶范圍和時域條件指標。此外，僅觀察到內圈故障，并且不能使用本文中介紹的相應濾波器帶和CI來確定所有四種軸承故障類型的診斷。后來，參考文獻[10]提出了一種使用AE包絡波形的診斷方法，并以小于1.67 Hz的速度獲得結果。這項研究證實，外圈爆震的周期性可以在低至0.17 Hz的速度下捕獲。最近，其他研究調查了AE及其用于低速軸和推力球軸承的狀態監測[19,20]。這些研究證明了使用AE來檢測裂紋萌生的能力并且還主要關注AE源位置的調查。此外，上述實驗著重于1.2 Hz的單軸轉速以及在負載和缺乏潤滑條件下測試的軸承狀況。 盡管如此，上述高頻AE信號伴隨著高采樣率。此外，對于低速軸承故障診斷應用，數據采集需要相對較長的時間來捕獲機械故障頻率。高采樣率與長數據采樣限制的結合實際應用基于AE的方法的可行性。最近，已經表明，通過使用外差電路來降低AE傳感器的頻率范圍，可以使用低成本數據采集（DAQ）系統來在速率與基于振動的技術相當。這種方法已成功應用于齒輪分析[21-23]以及增材制造應用[24]。此外，基于時間同步重采樣的頻譜平均方法相結合，它已被證明對軸向速度為30-60 Hz的所有四種軸承故障類型進行診斷是有效的[25,26]。然而，被發現對上述高速應用有效的時域信號和統計特征組合對于本研究中使用的低速數據無效。在本文中，提出了一種有助于使用低采樣AE信號的方法，其使用連續的AE時間信號可管理。結果發現，新的分析信號和不同的狀態指標組合對評估的低轉速有效。因此，上述外差式模擬電路與這種新的信號處理方法結合使用，以處理在低采樣率下采集的AE數據，滑行速率，并在2-10 Hz的軸速下診斷所有四種軸承故障類型。文獻中未提供所有四種軸承故障類型的診斷結果。這與低采樣率結合提供了在工業中實際實施基于AE的軸承監測方法的可能性。 在本文的其余結構如下。 第2部分提供了方法的詳細解釋。 在第3節中，討論了用于驗證方法的種子故障測試和實驗裝置的細節。 第4節介紹了種子故障測試的軸承故障診斷結果，第5節總結了本文。 2. 方法 圖1描繪了所提出的方法的概述。 首先，基于外差的頻率降低技術用于以與基于振動的方法相當的速率采樣AE信號，同時獲取轉速計信號。 其次，采樣的AE信號是用時間同步重新采樣的轉速計信號過零時間戳。 接下來，重采樣信號被頻譜平均并用于計算軸承故障診斷的CI。 圖1.方法學概述 該方法將分為4個部分。 第2.1節討論基于外差的AE信號采樣技術。然后，在第2.2節中討論軸承基本缺陷頻率。 接下來是對2.3節中的時間同步平均（TSA），時間同步重新采樣（TSR）和頻譜平均方法的回顧。 最后，2.4節解釋了軸承故障診斷的條件指標的計算。 2.1 使用外差的采樣頻率降低技術 以AE為中心的技術的一個缺點是實際的計算負擔。 由于AE傳感器輸出信號的頻率通常高達幾MHz，所以基于AE的方法通常伴隨著高達幾個至10 MHz的采樣率。 本文采用一種采樣頻率降低技術用于降低與信號相關的能量，從而可以利用與振動方法相當的采樣率。 這種方法已被有效地用于齒輪分析[21-23]，增材制造監測[24]以及軸速30 Hz及以上軸承故障的診斷[25-26]。這種方法是計算量很大，因為較少的數據需要收集并存儲在計算機上，并最終降低伴隨數據采集的成本。 外差的概念早已在通信領域得到應用。在無線電中，典型調幅信號的載波信號的頻率通常高達幾MHz，而調制到該載波信號的音頻信號通常具有低至幾kHz的頻率。通過解調，放大調制信號頻率被降低，這使得音頻可以以低得多的速率被采集。 其結果不僅是采樣速率的降低，而且還是要處理數據所需的計算能力。 本文中使用的AE信號解調器與射頻正交解調器類似：將載波頻率切換到基帶，然后進行低通濾波。這里應用的方法稱為外差法。 在數學上，外差基于三角函數。 對于頻率為f 1的兩個信號和f 2，它可以寫成如下 （1） 其中f1是AE載波頻率，f2是解調器的參考信號頻率。 然后，如圖3所示，調制信號被低通濾波以抑制頻率（f 1 + f 2）處的高頻圖像。 接下來提供應用于原始AE信號的外差法的詳細對話。 普遍認為，放大調制是AE信號調制的主要形式。 盡管頻率和相位調制可能存在在AE信號中，它們被認為是微不足道的，在此不再贅述。 幅度調制功能由提供 (2) 其中Ua是調制信號，Um是載波信號幅度，ωc是載波信號頻率，m是調制系數，x是感興趣的信號。 對于振幅Xm和頻率X，假設x可以表示為： (3) 注意假設信號x的頻率x通常遠小于載波信號的頻率ωc。然后，利用外差技術，調制信號將乘以單位幅度參考信號cos（ωct）。 接下來提供結果Uo： (4) (5) 由于Um沒有包含與調制信號相關的任何有用信息，所以將其設置為0或通過去趨勢刪除。 從（5）可以看出，只有與感興趣信號有關的部分12 mXm cos Xt將在低通濾波后保留，而頻率為2ωc的高頻關聯分量將被去除。 解調步驟的添加實現了將信號頻率向下移位到接近振動信號的頻率范圍的10秒kHz的目的。 2.2 軸承的基本缺陷頻率 當軸承以恒定的速度旋轉時，它的AE信號可以通過周期性特征來理論上表征。 一般來說，有4個基本的缺陷頻率來描述這個運動。 4個缺陷頻率為：基本列車頻率（FTF），球旋轉頻率（BSF），球通頻率外（BPFO）和球通頻率內部（BPFI）。 這些頻率分別代表籠，球，外圈和內圈的缺陷頻率[27]。 缺陷頻率定義如下： 其中De是滾動元件直徑，Dp是節圓直徑，Z是滾動元件的數量，?是以度數表示的接觸角，x是以Hz為單位的軸的旋轉速度。 圖4顯示了6205-2RS鋼球軸承的繪制。此外，參數和計算的缺陷倍頻器 6205-2RS分別在表1和2中提供。 在給定的軸速下，受監測軸承的頻譜理論上應該包含與存在或不存在軸承故障頻率有關的峰值。由于信號中存在機械噪聲，這些峰值往往難以觀察到。因此，已經開發了信號處理技術，例如平均方法，以幫助減少這種噪聲并提高信噪比。測量方程式中顯示的軸承缺陷頻率。 （6）-（9）通常用于基于窄帶和邊帶的分析方法。由于這些軸承故障頻率的振幅與軸的順序和齒輪嚙合頻率相比非常小，因此使用傅里葉分析直接從窄帶讀取軸承故障是很困難的。為了克服常規窄帶分析的先前缺點，已經開發了軸承包絡分析（BEA）。盡管BEA方法已經建立，但是選擇合適的包絡解調頻帶（例如系統諧振頻率）是隱藏的或非常復雜。根據最近的BEA論文[28,29]，不恰當的窗口選擇可能會影響診斷性能。本文提出的方法不同于那些基于直接軸承頻率讀取的方法。通過應用韋爾奇的頻譜平均方法并提取故障特征作為條件指標，故障軸承信號在統計上是可分的，并且盡管操作參數發生了變化（例如軸速度），但這些趨勢仍保持不變。在下面的章節中，討論了本文采用的平均方法。 圖2 兩個正弦信號的相乘 圖3 通過頻域濾波來提取外差信號 圖4 6205-2RS球軸承的圖紙 表1 6205-2RS鋼球軸承的參數s 2.3 AE信號的頻譜平均 時間同步平均（TSA）是用于提取周期波形的有效方法，并且在齒輪故障診斷中對齒嚙合振動有多種應用[30,31]。此外，TSA已經被有效地用于處理軸承的振動信號包絡故障診斷[32,33]。該概念是計算任何感興趣波形的連續周期的總體平均值。 這樣可以顯著降低噪聲，并增強表示平均波形周期的信號。 Braun [34]正式表示了在間隔nT采樣的信號x（t）的TSA y（nT）如下： （10） 平均期間由mT表示。 關于TSA的更多細節可以在[30]中找到。 雖然TSA已被廣泛應用于齒輪故障分析[35-38]，迄今為止的文獻僅包含有限的軸承故障診斷應用[32,33,39]。要成功應用TSA，需要了解感興趣的重復頻率或沒有噪聲的同步信號。因此，應用TSA進行軸承分析的一個缺點是，這需要計算每個軸承故障類型的TSA。而且，所有應用程序TSA的軸承分析基于振動信號的量化，并且未能報告診斷籠狀缺陷的能力。目前的實施方案僅出現內圈，外圈或球故障診斷的結果。此外，這些研究集中在相同故障類型的多個碎片或損壞的嚴重程度，沒有顯示出診斷所有四種軸承故障類型的能力。此外，盡管TSA可以改善包絡分析技術[33]，但仍然需要對每個被調查的軸承故障類型進行多次平均。此外，要成功將TSA應用于AE信號進行軸承分析，需要觸發信號必須與所有軸承故障類型同步。而且，AE信號的大數據量和非平穩行為使TSA的直接計算和實時狀態監測不切實際。在這篇論文中，基于外差的AE DAQ系統，TSR和頻譜平均被用來克服這個問題上述挑戰并成功應用平均方法這導致提取用于軸承故障診斷的特征。 在工業運行中，軸承可能會出現速度和潛在滑動的波動。 因此，基于軸承幾何形狀的故障率可能不準確。 在參考文獻 [40]，已經表明，通過使用基于軸旋轉的同步重采樣技術，可以考慮軸速的潛在波動，并且減少了光譜拖尾的影響。 通過在觸發信號旋轉之間重新采樣偶數個點，獲得更好的快速傅立葉變換（FFT）結果。 在本文中，類似的時間同步重采樣方法是使用軸零交叉時間（ZCT）完成的，并且在下文中正式提出。 在形式上，重采樣過程是通過將一個軸旋轉中的多個數據點插入L個數據點中來實現的，從而：其中L是ZCT之間的插值點的數量，r是重新采樣時軸間交叉點之間的平均點數。 一旦L被確定，每個段包含用于FFT計算的相等數量的數據點，并且可以執行頻譜平均。 本文提出的方法將TSR方法與頻譜平均相結合，以計算單個平均值，從而可以提取軸承故障診斷的有效條件指標。 這有效地消除了需要計算多個TSA。 如圖5所示，是對頻譜平均方法的綜述。 頻譜平均值的計算需要對數據進行分段，以便可以計算每個分段的傅立葉變換。 然后，實施平方數量級的平均集合平均值。 圖5 頻譜平均方法 為了實現頻譜平均，首先必須切斷信號。因此，軸ZCT用于對AE信號進行分段和重采樣。然后，獲得各部分的平方幅度譜的平均值，其導致用于評估統計特征的譜平均值。換句話說，軸旋轉之間的持續時間被用作平均AE信號的截面函數。此外，數據段長度L由重采樣之后軸的ZCT之間的數據點的數量確定。通過將分段重新采樣到L個數據點，相同數量的數據點用于FFT計算。因此，本文提出的方法利用軸旋轉的ZCT對AE信號進行分段和重新采樣，并計算各部分傅立葉變換平方幅度的總體平均值。這種方法提供了計算一個頻譜平均值的能力，并有效地診斷可能發生的任何軸承故障，同時消除了多次TSA計算的必要性。此外，計算單個平均值的需求也減少了硬件上的計算負擔，使在線分析和維護決策成為可能。在計算AE信號的頻譜平均值之后，計算和評估各種軸承故障特征。 2.4 軸承故障診斷的條件指標 文獻中有許多軸承故障狀態指示器，用于量化加速度計信號以幫助承載故障診斷。最近的一些研究已經開發出有效的CIs，通過量化AE信號來完成軸承故障診斷[25,26,42,43]?？捎玫腃I之間的主要區別在于計算方法。例如，CI可以從信號的時域和頻域中提取。此外，CI可以從原始信號或由信號處理技術（如TSA或光譜平均）處理的信號中提取。以前，頻譜平均值的平方幅度的反傅里葉變換與RMS和峰值CI相結合已被用于AE和振動信號在30 Hz和更高的軸速下成功診斷軸承故障[25,26,44]。但是，由于上述分析信號和CIs在這些研究中測試的結果對低速分析無效，因此這些工作留待將來調查。本文使用平方光柵的對數的傅立葉逆變換，tude譜平均結果來研究新CIs的潛力，該新CI可以明確診斷低速應用中的所有四種軸承故障類型。通過在傅立葉逆變換中引入一個對數，被分析的信號類似于參考文獻中所使用的功率倒譜。 [45]進行齒輪分析。還應該提到的是，盡管發現日志的引入對于低速應用是有效的，但它對[25,26]中使用的高速數據不是有效的。此外，用于高速調查的配置項對本文提供的低速數據無效。參考文獻中使用的一些低速軸承配合比。 [17]對高速應用沒有效果，但是發現在本文中測試的軸速下工作結合新的分析信號。形式上，用于CI計算的輸入信號給出如下： （11） 輸入信號x是用于CI計算的時域信號，是由（19）得到的頻譜平均結果的對數的傅立葉逆變換。 可以使用能源操作員（EO）來計算CI。 EO是一個 自相關函數的殘差類型[46]。 在離散化的形式下，數學公式如下： （12） 還使用（20）中獲得的信號的幅度調制（AM）信號或希爾伯特包絡來計算CI。 AM通過以下方式正式獲得： （13） 其中是數據集x的Hilbert包絡（20）獲得。 在本文中，為軸承故障診斷探索了許多可行的CI。 表3中提供了被調查的CIs的定義。 （RMS），峰值，峰值因子（CF），峰度（Kurt），偏度（Skew），峰峰值（p2p），香農熵，Log熵，直方圖上限（UB）， 和直方圖下限（LB）。 使用（（20），（21）和（22））計算出的信號對每個CI進行評估。 表3 CI的定義 3.實驗設置 本節介紹用于評估所提出的基于AE傳感器的低速軸承故障診斷方法的實驗裝置。圖6和圖7描述了用于進行含鋼種子故障測試的軸承試驗臺的兩個觀點。 測試裝置的機制以及AE傳感器和轉速計的位置。物理聲學公司（PAC）寬頻帶（WD）型AE傳感器的工作范圍為125 kHz至1 MHz，使用瞬間膠軸向安裝在軸承箱的表面。 在實驗期間使用6205-2RS型鋼球軸承。 在上述鋼軸承上播種了四種故障類型：內圈和外圈故障，滾動體故障和籠式故障（見圖8）。 兩個軸承座圈故障是通過用金剛石尖端砂輪鉆頭刮擦內外鋼制滾道表面以覆蓋滾珠接觸表面而產生的。 兩場比賽的種子斷層大約1/16英寸寬，1/250英寸深。 通過在其中一個鋼球位置切割鋼保持架，然后使用金剛石尖端砂輪鉆頭產生一個約為鋼球體積的20％的小凹陷，從而產生滾動元件故障損壞。 對于籠狀缺陷，鋼籠被切割在兩個球位置之間。 切口的大小約為球直徑的50％。 對于所有種子故障測試，軸承密封和潤滑脂均已拆除，并在執行故障后進行更換。 此外，在進行種子故障測試時，故意將種子的尺寸盡可能小以緊密模擬傳播階段的故障。 當故障傳播時，缺陷尺寸可能會很小，隨著時間的推移會變得更加重要。 盡管本文中使用的種子斷裂的大小并不像初始斷層那樣小，但文獻中廣泛報道了使用AE傳感器的一個優點是能夠檢測早期損傷進展中的初期斷層 階段。 圖9給出了解調板，電源，功能發生器和取樣裝置。 解調板執行AE傳感器信號與從函數發生器輸出的參考信號的相乘。 這允許實施基于外差的采樣頻率降低方法。 兩個信號都作為輸入，輸出是兩個信號的乘積。 在將信號信息轉移到較低的頻率范圍之后，包絡的低頻輸出將被轉換到采樣板，同時濾除高頻成分。 為了降低AE傳感器信號頻率，確定其中心載波頻率并將其設置為用于解調的參考信號頻率。 圖6 軸承試驗臺 使用函數發生器實現的增加的啁啾函數用于記錄系統的輸出。 發現中心AE信號載波頻率為400kHz，因此用作解調參考頻率。 在研究期間使用的采樣設備是一個低頻數據采集板，能夠處理高達250 kS / s的采樣頻率。 圖7 軸承試驗臺的前視圖 圖8 含鋼種子的故障測試 NI Labview signal express用于所有信號采集，以100 kHz采樣率采集連續AE信號。 健康和種子故障軸承在5軸速度下測試：2 Hz，4 Hz，6 Hz，8 Hz和10 Hz。 在每個調查的軸速下，收集5個樣本，每個軸承類型總共25個樣本。 為了確保樣本包含至少200軸平均轉速的計算，對于上述軸速度，分別記錄信號100,50,33,25和20秒。 同樣重要的是要注意，由于電機控制的限制，最低的測試軸轉速為2 Hz，并且在實驗期間沒有施加負載。 為了一致性，AE傳感器被放置在相同的軸向位置以進行所有數據采集。 圖9 解調和采樣設備 4. 結果 本節介紹種子故障測試的驗證結果。 外差后，AE采集信號以100 kHz的采樣率采集。 然后，收集到的信號被時間同步重新采樣并進行頻譜平均。 結果用于CI計算。 盡管共調查了30個CI，但有4個顯示可以清楚診斷所有四種軸承故障類型。 如圖10所示的是軸速度下AM Shannon熵熵值的平均值。 每個點表示每個測試軸速度下每個軸承5個樣本的平均值。 隨著每個平均CI值是95％的置信度誤差欄。 如圖10所示，AM香農的熵CI清楚地區分了所有四種軸承故障類型。 由于誤差線沒有重疊，故障模式相互分離以及健康的軸承類型在統計上顯著。 另外，隨著軸轉速的增加，所有軸承信號似乎都包含相似的CI值上升趨勢。 另一個有趣的觀察結果是故障模式的順序與參考文獻中的高速診斷結果一致。[25,26]。 接下來，圖11顯示了軸轉速的平均EO香農熵CI值。 圖10 平均AM Shannon熵的軸速（Hz） 圖11中的結果與圖10中的結果相同。每個點對應于每個軸速度下5個采集樣本的平均CI值，以及95％的誤差線。 該結果驗證了EO香農熵CI的軸承故障診斷能力。 在確認軸承故障類型分離的統計顯著性的任何誤差線之間沒有重疊。 雖然診斷已經完成，但分離似乎沒有使用AM香農熵CI所觀察到的顯著。 另外，軸承類型順序與圖10一樣保持不變，以及上述參考文獻中的高速軸承結果[25,26]。 下面的圖12顯示了軸轉速的平均香農熵結果。 如圖12所示，香農熵CI也明確地分離了所有軸承故障類型。 趨勢與圖1和圖2中觀察到的相似。 10和11，并且分離在統計上顯著，沒有95％誤差條的重疊。 此外，分離的出現似乎大于圖11所示的結果，盡管不如圖10所示的結果顯著?？傊?，所有三個結果證實了不同形式的 香農的熵CI。 接下來，圖13顯示了軸速度的平均直方圖下限結果。 如圖13所示，直方圖下界CI也明確區分了所有四種軸承故障類型和健康的軸承箱。 這種分離在統計上也是顯著的，其結果包含誤差棒的零重疊。 另外，與前面的圖一樣，觀察到相同的軸承類型的順序。 需要注意的一點是，在2Hz的軸速下觀察到最高的CI值，并且隨著軸速度增加到10Hz，趨勢向下。 總之，圖10-13展示了AM香農熵，EO香農熵，香農熵和直方圖下限用于低速軸承診斷時與基于外差的AE DAQ結合的能力以及所提出的信號處理方法。 這些結果證實，使用低采樣AE數據可以在低于10 Hz的速度下實現故障診斷。 還應該注意的是，對于圖1和圖2中呈現的香農熵CI結果。 10-12，故障模式的趨勢和分離隨軸轉速的降低而增加。 因此，該方法有可能在軸速低于此處所述的情況下診斷軸承故障模式。 結果提供在圖。 10-13證實本文提出的基于AE的新型診斷方法已經得到驗證。 圖11 軸轉速的平均EO香農熵（Hz） 圖12 軸轉速的平均香農熵（Hz） 圖13 軸轉速的平均直方圖下限（Hz） 5. 結論 在本文中，介紹了一種新的低速軸承故障診斷方法。這種基于AE的方法從外差技術開始，允許AE信號以與基于振動的方法相當的速率進行采樣。然后，使用輸入觸發信號，低采樣AE信號被時間同步重采樣，以考慮軸速和軸承滑動的潛在波動。重采樣方法還提供根據軸ZCT分割AE信號的能力，從而可以使用偶數個數據點來計算單個頻譜平均值，該均值用于提取特征并評估大量的軸承故障診斷的CI。所提出的方法使用從軸承試驗臺上的種子故障鋼軸承收集的AE信號進行驗證。在所測試的CI中，AM香農熵，EO香農熵，香農熵和直方圖下界對于低速軸承故障診斷是有效的。特別是，對于香農熵的CIs，軸承斷層的分離隨軸轉速的降低而增加。這表明該方法診斷軸承故障的可能性低于本文所介紹的軸速?；诋斍皶r間同步平均的軸承分析方法需要計算每個軸承故障類型的多個平均值。另外，所有用于低速軸承分析的基于AE的方法都需要高采樣率，并且最重視故障檢測或缺乏診斷所有軸承故障類型的能力。本文的結果表明，低采樣AE信號與本文提出的方法相結合可以用于在低于10 Hz的低速下診斷所有四種軸承故障類型。 26 Low speed bearing fault diagnosis using acoustic emission sensorsBrandon Van Hecke,Jae Yoon,David HeDepartment of Mechanical and Industrial Engineering,The University of Illinois at Chicago,Chicago,IL 60607,United Statesa r t i c l ei n f oArticle history:Received 3 December 2014Received in revised form 28 October 2015Accepted 29 October 2015Keywords:Bearing faultDiagnosisAcoustic emission sensorLow speeda b s t r a c tIn this paper,a new methodology for low speed bearing fault diagnosis is presented.This acoustic emis-sion(AE)based technique starts with a heterodyne frequency reduction approach that samples AE signalsat a rate comparable to vibration centered methodologies.Then,the sampled AE signal is time syn-chronously resampled to account for possible fluctuations in shaft speed and bearing slippage.Theresampling approach is able to segment the AE signal according to shaft crossing times such that an evennumber of data points are available to compute a single spectral average which is used to extract featuresand evaluate numerous condition indicators(CIs)for bearing fault diagnosis.Unlike existing averagingbased noise reduction approaches that require the computation of multiple averages for each bearingfault type,the presented approach computes only one average for all bearing fault types.The presentedtechnique is validated using the AE signals of seeded fault steel bearings on a bearing test rig.The resultsin this paper have shown that the low sampled AE signals in combination with the presented approachcan be utilized to effectively extract condition indicators to diagnose all four bearing fault types at mul-tiple low shaft speeds below 10 Hz.?2015 Published by Elsevier Ltd.1.IntroductionMost heavy equipment and mechanical devices contain at leastsome type of bearing.Additionally,because it is typical for bear-ings to be utilized in less than ideal working conditions,problemsmay arise and result in premature failures.When a bearing fails,the malfunction can lead to significant downtime,elevated mainte-nance costs,and the potential for a decrease in productivity.Onerecent study presented a rolling bearing fault diagnosis approachusing neural networks and a time/frequency-domain vibrationapproach 1.This study showed that neural networks can aid inthe diagnosis of various motor bearing faults using vibration datagenerated from a bearing test rig.Neural networks have also beenshown to be effective for condition monitoring when usingstatistical-time features 2.Another study focused on rotatingmachinery in general and used a model-based approach for thedetection and diagnosis of mechanical faults 3.This researchdeveloped a nonlinear filtering technique to address complex non-linear vibration responses due to factors such as unbalance,changes in stiffness,and damping of the rotor bearing system.Validation of the aforementioned technique was accomplishedvia the use low signal-to-noise environment simulations.Ref.4presented a fault detection approach based on stator currentmonitoring for in situ bearing faults.In this paper,bearing fault fea-tures were extracted using a combination of noise cancellation andstatistical process control techniques to detect out of control sam-ples due to the degradation of lubrication starved bearings.Oneresearch has presented a two-step data mining approach to classifydefects in plastic bearings 5.This study effectively used empiricalmode decomposition(EMD)to extract time domain condition indi-cators(CIs)which were used as inputs to a supervised learningalgorithm to classify bearing defects.Other studies have presentedeffective bearing defect techniques through the use of local andnonlocal preserving projection 6,trace ratio linear discriminantanalysis 7,or the power spectral density(PSD)analysis of ampli-tude and frequency current-demodulated bearing signals fordirect-drive wind turbines 8.In many industries,the use of low speed rotating machines is astaple for successful operation.Such machines can be found insteel and paper mills,biological applications,and wind turbines.Thus,the monitoring of bearings,shafts and gears in such applica-tions is critical for the proper maintenance of low speed equip-ment.In the low speed bearing fault diagnosis literature,lowspeed has been referred to as in the range from 0.33 Hz to 10 Hz9,whereas significantly lower speed thresholds have been con-sidered as a separate classification range.For example,speedsbelow 0.5 Hz have been viewed as ultra low”10 and if below0.83 Hz considered extremely low”11.In this paper,the bearinghttp:/dx.doi.org/10.1016/j.apacoust.2015.10.0280003-682X/?2015 Published by Elsevier Ltd.Corresponding author.E-mail address:davidheuic.edu(D.He).Applied Acoustics 105(2016)3544Contents lists available at ScienceDirectApplied Acousticsjournal homepage: diagnostic problem with a shaft speed falling within the lowspeed range described in 9 will be addressed.To date,the condition monitoring of rolling element bearingsand other rotating equipment using vibratory analysis is an estab-lished technique and the industry standard.One study investigatedthe use of parametric models of amplitude demodulated vibrationsignals,and the resulting frequency spectra,for bearing faultdetection and diagnosis of roller bearings with defects at a shaftspeed of 1 Hz 12.In that paper,a signal processing techniquewas first used to detect bearing defects and the frequency spectrawere then used to classify the defects.Although effective,thismethodology required visual inspection of the frequency spectrato achieve fault diagnosis.Later,another study developed a lowspeed technology system to measure vibrations resulting fromlow speed rotating machinery 9.This system was centered onseparating the high frequency noise of the machine from the lowfrequency signatures of interest,and validation was presentedusing results from a low speed rotor and gearbox.More recently,for low speed applications,a general model of faulty bearing vibra-tion signals has been established and it was shown that envelope-autocorrelation can be observed in a faulty bearing,but not in thehealthy bearing case 13.Others have sought to develop newaccelerometers and have shown that with the aid of the resonancedemodulation technique,low speed rolling bearing faults can bedetected 14.However,the use of vibration is limited at low speedapplications because the change in energy generated from faults atsuch speeds may not be detectable using traditional accelerometerbased monitoring systems.Thus,researchers have investigated theuse of acoustic emission(AE)sensors and strain gauges for compo-nent monitoring at low speed conditions.AE based studies have shown promising results for incipientfault detection,and recent studies have explored their use forlow speed bearing monitoring.One early investigation looked atthe monitoring of bearings at low speeds 15.In this study,resultscomparing acceleration,shock pulse transducer,acoustic emission,and jerk measurements were presented.Among other conclusionsdrawn,it was mentioned that AE resulted in clear detection of anouter track bearing defect at speeds as low as 0.17 Hz.However,it was also mentioned that the observed AE response could notexplained and that averaging methodologies could not be utilizedbecause the signals did not repeat exactly on a once per revolutionbasis.Another study reported the use of AE for monitoring rollingelement bearings at extremely low shaft speeds from 0.0083 Hz to0.083 Hz 11.In this study it was found that AE measurement isquite sensitive for detecting bearing faults when the bearing isrotating at an extremely low speed,whereas the accelerationenvelope was limited to detecting faults at the lowest shaft speedof 10 Hz.This study utilized an AE pulse count and noted that usingsuch an approach allowed the data to be manageable.Ref.16explored the application of AE for the low speed monitoring ofbearings.This study used the K-means clustering approach to clas-sify line defects on a spherical roller bearing.Although promisingresults were achieved,the study focused on the frequency rangeof 100 kHz to 1 MHz and also relied on a data mining techniquewhich can be time consuming due to the large data requirementfor training and testing of the models.Ref.17 also relied on a datamining approach,presenting a different classification techniquebased on relevance vector machines and support vector machinesto diagnose bearing faults at shaft speeds ranging from 0.33 Hzto 1.33 Hz.In another study,an AE sensor was used to investigatethe incipient fault detection of low speed rolling element bearingsin the frequency range up to 100 kHz 18.This study evaluated anumber of time domain condition indicators using different filterbands to determine the best parameters that can distinguishbetween healthy and faulty inner race bearing signals.However,the goal of this study was to determine effective filter band rangesand time domain condition indicators that can be used to evaluatethe acquired AE signals.Moreover,only an inner race fault wasobserved and the diagnosis of all four bearing fault types couldnot be confirmed using the respective filter band and CIs presentedin the paper.Later,Ref.10 proposed a diagnostic method usingthe AE envelope waveform and obtained results at speeds less than1.67 Hz.This study confirmed that the periodicity of outer ringflaking could be captured at speeds as low as 0.17 Hz.Recently,other studies investigated AE and its use for the condition monitor-ing of low speed shafts and thrust ball bearings 19,20.Thesestudies demonstrated the ability to use AE to detect crack initiationand growth and also mainly focused on the investigation of AEsourcelocation.Moreover,theaforementionedexperimentfocused on a single shaft speed of 1.2 Hz and tested bearing condi-tion under loading and starved lubricating conditions.Nonetheless,the aforementioned high frequency AE signals areaccompanied by high sampling rates.Moreover,for low speedbearing fault diagnostic applications,data acquisitions need to berelatively long to capture the mechanical defect frequencies.Thecombination of high sampling rates with long data samples limitsthe feasibility of practical application of AE based approaches.Recently,it has been shown that by using a heterodyne circuit todownshift the frequency range of an AE sensor,a low cost dataacquisition(DAQ)system can be utilized to sample AE sensors ata rate comparable to vibration based techniques.This approachhas been successfully applied for gear analysis 2123 as well asfor an additive manufacturing application 24.Additionally,withthe combination of a time synchronous resampling based spectralaverage approach,it has been shown to be effective to diagnose allfour bearing fault types for shaft speeds of 3060 Hz 25,26.How-ever,the time domain signal and statistical feature combinationthat was found to be effective for the aforementioned high speedapplications were not effective for the low speed data used in thisstudy.In this paper,an approach that facilitates the use of lowsampled AE signals is presented which make the use of continuousAE time signals manageable.It was found that the combination of anew analysis signal and different condition indicators were effec-tive for the evaluated low shaft speeds.Thus,the aforementionedheterodyne analog circuit is used in combination with this new sig-nal processing approach to process AE data acquired at a low sam-pling rate,and diagnose all four bearing fault types at shaft speedsfrom 210 Hz.The diagnosis of all four bearing fault types at thepresented shaft speeds has not been presented in literature.That,in combination with the low sampling rate provides merit for thepossibility of a practical implementation of an AE based bearingmonitoring approach in industry.The remainder of the paper is structured as follows.Section 2provides a detailed explanation of the methodology.In Section 3,the details of the seeded fault tests and experimental setup usedto validate the methodology are discussed.Section 4 presents thebearing fault diagnosis results from the seeded fault tests and Sec-tion 5 concludes the paper.2.The methodologyFig.1 depicts an overview of the presented methodology.First,aheterodyne based frequency reduction technique is used to samplean AE signal at a rate comparable to vibration based approacheswith the simultaneous acquisition of a tachometer signal.Second,the sampled AE signal is time synchronously resampled using thetachometer signals zero crossing time stamp.Next,the resampledsignal is spectrally averaged and used to compute CIs for bearingfault diagnosis.The methodology will be presented in 4 sections.Section 2.1discusses the heterodyne based AE signal sampling technique.36B.Van Hecke et al./Applied Acoustics 105(2016)3544Then,in Section 2.2 a discussion on the bearing fundamental defectfrequencies is covered.It is followed by a review of time syn-chronous average(TSA),time synchronous resampling(TSR),andthe spectral averaging approach in Section 2.3.Finally,the calcula-tion of condition indicators for bearing fault diagnosis is explainedin Section 2.4.2.1.The sampling frequency reduction technique using heterodyneOne shortcoming of AE centered techniques is the substantialcomputational burden.Because the frequency of the AE sensor out-put signal is typically as high as several MHz,AE based approachesare ordinarily accompanied with sampling rates as high as severalto 10 MHz.In this paper,a sampling frequency reduction techniqueis utilized to down shift the energy related to the signal so that asampling rate comparable to vibration methods can be utilized.This type of approach has effectively been utilized for gear analysis2123,additive manufacturing monitoring 24,and for the diag-nosis of bearing faults at shaft speeds of 30 Hz and above 25,26.This approach is computationally substantial because less dataneeds to be collected and stored on the computer and ultimatelyreduces the cost accompanied with data acquisition.The concept of heterodyne has long been employed in the com-munications field.In radio,the frequency of the carrier signal of atypical amplitude modulated signal is often as high as several MHzwhereas the audio signal modulated to that carrier signal often hasa frequency as low as a few kHz.With demodulation,the ampli-tude modulated signal frequency is reduced which allows theaudio to be acquired at a much lower rate.The result is not onlya reduction in sampling rate,but also the required computationalpower for data to be processed.The AE signal demodulator used in this paper works similarly toa radio quadrature demodulator:shifting the carrier frequency tobaseband,followed by low pass filtering.The approach appliedhere is called heterodyne.Mathematically,heterodyning is basedon a trigonometric identity.For two signals with frequency f1and f2,respectively,it could be written as the following:sin 2pf1tsin 2pf2t 12cos 2pf1?f2t?12cos2pf1 f2t?1where f1is the AE carrier frequency and f2is the demodulators ref-erence signal frequency.Forinstance,letf1 3 Hzandf2 4 Hz,andnotey1 sin2p3tandy2 sin2p4t:Then,theirmultiplicationY y1y2,is presented in Fig.2.Then,as expressed in Fig.3,the modulated signal is low pass fil-tered to reject the high frequency image at frequency(f1 f2).A detailed dialogue of the heterodyne approach applied on theraw AE signal is provided next.It is generally accepted that ampli-tude modulation is the major form of modulation for AE signals.Although,frequency and phase modulation are potentially existentin the AE signal,they are considered trivial and will not be dis-cussed herein.The amplitude modulation function is provided by(2).Ua Um mxcosxct2where Uais the modulated signal,Umis the carrier signal amplitude,xcis the carrier signal frequency,m is the modulation coefficient,and x is the signal of interest.With an amplitude Xmand frequencyX,assume that x can be expressed as:x XmcosXt3Note that it is presumed that the frequencyxof the signal x isnormally much smaller than the frequencyxcof the carrier signal.Then,with the heterodyne technique,the modulated signal will bemultiplied by a unit amplitude reference signal cosxct.The resultUois provided next:Uo Um mxcosxctcosxct Um mx1212cos2xct?4Next,after substituting Eq.(3)into Eq.(4):Uo12Um12mXmcosXt 12Umcos2xct14mXmcos2xcXt cos2xc?Xt?5Because Umdoes not enclose any useful information associatedwith the modulated signal,it is set as 0,or removed via de-trending.From(5),it can be understood that only the part relatedto the signal of interest,12mXmcosXt,will remain after low pass fil-tering,while the high frequency associated components aroundfrequency 2xcwill be removed.The addition of the demodulation step achieves the purpose ofdown shifting the signal frequency to 10 s of kHz,which is close tothe frequency range of vibration signals.Hence,any data acquisi-tion board with a low sampling rate should be able to samplepre-processed AE data.2.2.Discussion on the bearing fundamental defect frequenciesAs a bearing rotates at a constant speed,its AE signal can be the-oretically characterized by a periodical property.Generally,thereare 4 fundamental defect frequencies to describe this motion.The 4 defect frequencies are:fundamental train frequency(FTF),ball spin frequency(BSF),ball pass frequency outer(BPFO),and ballpass frequency inner(BPFI).These frequencies respectively repre-sent the defect frequencies of the cage,ball,outer race,and innerrace 27.The defect frequencies are defined as:FTF x=2 1?De=Dpcos?6BSF xDp=2Def1?De=Dpcos?2g7BPFO xZ=2 1?De=Dpcos?8BPFI xZ=2 1 De=Dpcos?9where Deis the rolling elements diameter,Dpis the pitch diameter,Z is the number of rolling elements,is the contact angle indegrees,andxis the rotational speed of the shaft in Hz.The draw-ing of a 6205-2RS steel ball bearing is shown in Fig.4.Moreover,theparameters and the calculated defect frequency multipliers of the6205-2RS are provided in Tables 1 and 2 respectively.At a given shaft speed,the frequency spectra of the monitoredbearing should theoretically contain peaks that are related to thepresence or absence of a bearing defect frequency.These peaksare often difficult to observe due to mechanical noise present inthe signal.Thus,signal processing techniques,such as averagingFig.1.Overview of the methodology.B.Van Hecke et al./Applied Acoustics 105(2016)354437approaches,have been developed to help reduce such noise andincrease signal to noise ratio.Measuring the bearing defect fre-quencies shown in Eqs.(6)(9)are usually utilized by narrowbandand sideband based analysis methods.Because the amplitude ofthose bearing defect frequencies are very small compared to shaftorder and gear mesh frequency,detecting bearing faults by directreading from narrowband using Fourier analysis is difficult.Toovercome the preceding drawback of the conventional narrowbandanalysis,bearing envelope analysis(BEA)has been developed.Although the BEA method is well established,the selection of aFig.2.The multiplication of two sinusoid signals.Fig.3.Extracting the heterodyned signal by frequency domain filtering.38B.Van Hecke et al./Applied Acoustics 105(2016)3544proper envelope demodulation band(e.g.system resonance fre-quency)is either hidden or very complicated.An improper windowselection could compromise the diagnostic performance accordingto the recent BEA papers 28,29.The method presented in thispaper is different from those direct bearing frequency readingbased method.By applying Welchs spectral averaging methodand extracting fault features as condition indicators,faulty bearingsignals become statistically separable and those trends are main-tained although the operating parameter is altered(e.g.shaftspeed).In the following section,the averaging approach employedin this paper is discussed.2.3.Spectral averaging of AE signalTime synchronous averaging(TSA)is a validated approach forthe extraction of periodic waveforms and has multiple appli