用于确定轴承的剩余可用寿命的方法与流程

1.本发明涉及轴承，特别是滚动轴承。


背景技术：

2.滚动轴承是旋转机械系统(rms)中常用且广泛使用的子组件。它们用于小型精密设备以及大型工业机器的轴承布置。诸如滚珠、滚子或滚道的轴承元件会承受多轴和非比例的低周和高周疲劳负载，其通常是滚动接触疲劳(rcf)的来源。
3.轴承的疲劳寿命取决于许多因素和变量，诸如接触力的大小和方向、接触表面的几何形状和粗糙度、材料的种类、操作温度、施加的润滑剂、润滑条件、滚动速度和接触区域中的滑动。由于滚动轴承的可能损坏确定rms的操作，因此正确估计滚动轴承的疲劳寿命或负载能力成为机器设计过程中的一项关键任务。此外，在初始阶段检测轴承元件损坏的困难(当损坏达到一定大小时能够检测损坏)证明滚动轴承的疲劳寿命预测是合理的。


技术实现要素：

4.机器中的轴承最终会失效，而最常见的失效原因是由于操作期间疲劳裂纹的扩展或表面颗粒的去除而形成表面缺陷。这些缺陷是由于润滑不足和滚动元件与轴承滚道之间的高接触应力而出现的，导致在接触表面上形成剥落、凹痕和凹坑。
5.如果能够准确预测轴承的剩余可用寿命，则能够通过维护实施来避免潜在的损坏，例如，以实现旋转机械系统的最长寿命和最低维护成本。
6.因此，根据第一方面，提出了一种用于确定具有表面缺陷的轴承的剩余可用寿命的改进方法。该方法包括基于轴承的(优选被采样的)振动(例如轴承的内圈和/或外圈的谐波振动)来确定表面缺陷的缺陷尺寸的步骤。该方法还包括以下步骤：基于缺陷尺寸确定由表面缺陷引起的轴承的主应力或接触力中的至少一个，以及基于主应力和/或接触力中的至少一个确定轴承的剩余可用寿命。
7.根据第二方面，提出了一种用于训练人工神经网络的方法。该方法包括生成指示轴承的振动(例如轴承的内圈和/或外圈的谐波振动)的数值数据的步骤，其中，该振动指示轴承的不同的表面缺陷。该方法还包括基于生成的数值数据训练人工神经网络，以便将振动与轴承的不同的表面缺陷关联。
8.根据第三方面，提出了使用根据第二方面的经训练的人工神经网络的结果来确定轴承的剩余可用寿命。
9.根据第四方面，提出了一种用于创建轴承的替代模型的方法，其中，轴承的替代模型用于确定轴承的机械应力或接触力。该方法包括基于模拟模型针对不同的表面缺陷尺寸模拟轴承的步骤。该方法还包括创建替代模型的步骤，其中，替代模型例如通过多项式函数将缺陷尺寸与轴承的主应力或接触力关联。
10.根据第五方面，提出了使用根据第四方面的轴承的替代模型来确定轴承的剩余可用寿命。
11.根据第六方面，提出了一种用于执行根据第一方面和/或第四方面的方法步骤的计算机程序。
12.根据第七方面，提出了一种可操作以执行第一方面和/或第四方面的方法步骤中的任一方法步骤的装置。
附图说明
13.图1a和图1b示出了具有不同的表面缺陷的滚珠轴承的示意图。
14.图2示出了滚珠轴承的示意图。
15.图3示出了轴承的振动频谱的示意图。
16.图4示出了用于确定轴承的剩余可用寿命的示例性步骤的示意图。
17.图5示出了用于确定表面缺陷尺寸的示例性步骤的示意图。
18.图6示出了用于确定轴承应力的示例性步骤的示意图。
19.图7示出了用于确定轴承的剩余可用寿命的示例性步骤的第一示意图。
20.图8示出了用于确定轴承剩余可用寿命的示例性步骤的第二示意图。
21.图9示出了用于确定轴承剩余可用寿命的示例性步骤的第三示意图。
22.图10示出了用于训练人工神经网络的示例性步骤的示意图，
23.图11示出了频率幅度和表面缺陷尺寸的示意图。
具体实施方式
24.将结合附图和实施例对本发明作进一步详细描述。应当理解，此处描述的特定实施例仅用以说明本发明，并不用于限制本发明。因此，虽然本发明的示例性实施例能够进行各种修改和具有替代形式，但其实施例在附图中以实例的方式示出并且将在本文中详细描述。然而，应当理解，无意将本发明的示例性实施例限制为所公开的特定形式。相反，示例性实施例将覆盖落入本发明范围内的所有修改、等效物和替代物。在此公开的具体结构和功能细节仅仅是表示性的，用于描述本发明的示例性实施例的目的。然而，本发明能够以许多替代形式来体现，并且不应被解释为仅限于在此阐述的实施例。
25.图1a和图1b示出了轴承的滚动元件3的示意图。其中，滚珠用作滚动元件3以保持轴承座圈之间的分离。
26.机器中的轴承最终会失效，而最常见的失效原因是由于操作期间疲劳裂纹的扩展或表面晶粒的去除而形成了表面缺陷12，如图1a和图1b所示。这些表面缺陷12是由于滚动元件3和轴承的滚道之间的润滑不足和高接触应力而出现的，导致在接触表面上形成剥落、凹痕和凹坑。当然，表面缺陷能够在轴承的外圈和/或内圈或对应的(一个或多个)座圈上。这些缺陷12导致施加在滚动元件3上的负载不同，从而导致高于正常的振动幅度，参见图3。能够通过分析这种振动响应来确定有缺陷的轴承的状况，然后能够将其用于安排维护行为，这将在下面更详细地描述。
27.能够根据表面缺陷的长度和/或宽度来测量和/或分类缺陷尺寸d1、d2。此外，能够考虑滚子轴承的内座圈和/或外座圈上的不同的边缘不连续性。为简单起见，下面仅讨论表面缺陷长度。该长度能够沿滚动元件的运动方向(即滚道)测量。此外，表面缺陷12能够对应于以下中的一种或多种：一个或多个剥落、一个或多个凹痕以及一个或多个凹坑。这些表面
缺陷形成滚动元件3与轴承滚道的接触表面，并引起对应的振动。
28.论文“有缺陷的轴承的建模和缺陷尺寸估计(modelling and defect size estimation of a defective bearing)”(francesco larizza、carl q.howard、steven grainger和wenyi wang，2018年声学学报，2018年11月7-9日，澳大利亚阿德莱德)提出了能够预测有缺陷的轴承的振动响应的模型，其以缺陷分布作为模型输入。基于从振动信号中检测进入和退出事件之间的时间间隔，先前已经针对具有线剥落缺陷的轴承建议了几种缺陷尺寸估计方法。
29.图2示出了轴承1，其包括轴承内圈2、滚动元件3(例如轴承滚珠)和轴承外圈4。传感器模块5能够包括振动传感器6。附加地或替代地，也能够设置声音发射传感器7和/或所谓的声学发射传感器8。传感器模块5连接到用于执行诊断(诸如确定轴承的剩余可用寿命)的装置11。由传感器模块5和/或传感器6、7和/或8拾取的传感器生成的信号被转发到装置11。由振动传感器6生成的信号在装置11内(例如借助振动分析)被评估。振动分析能够包括由振动传感器6采样的时间序列的傅里叶变换。
30.转到图3，示出了具有不同类型缺陷的轴承的频谱和对应幅度。在外圈缺陷(即外座圈上的表面缺陷)的情况下，频谱的特征是存在外座圈失效频率的谐波峰值，例如，外圈的滚珠通过频率的8到10个谐波之间，而在内座圈缺陷的情况下，频谱显示内座圈失效频率的多个谐波峰值，例如，内圈谐波的8到10个滚珠通过频率。滚动元件缺陷(未显示)的特征在于存在滚动元件退化频率的谐波频谱，例如，根据滚珠旋转频率。
31.确定滚动轴承的剩余可用寿命rul对机器操作员来说非常重要。由于需要的模拟模型非常复杂并且仅适用于相应的马达，因此精确计算用于例如马达的滚动轴承的剩余服务寿命总是执行得很困难。此外，验证这样的模型的工作量非常大。现有方法在不考虑在轴承的操作期间已经出现的轴承缺陷的情况下计算剩余可用寿命或计算直到形成首批缺陷的剩余可用寿命。在实践中，重要的是计算轴承在一个或多个缺陷形成后的剩余可用寿命，从而考虑在轴承的进一步操作期间缺陷尺寸的演变和变化。
32.设备或其部件之一的剩余可用寿命(rul)被定义为设备或部件达到其使用寿命结束所剩的时间。准确的rul估计对预防性维护以及预测和健康管理(phm)非常有益。充分利用使用传感器和操作时间序列数据进行rul估计的算法的力量的数据驱动的方法越来越受欢迎。现有的算法，诸如线性回归、卷积神经网络(cnn)、隐马尔可夫模型(hmm)和长短期记忆(lstm)，对于rul估计任务都有其自身的局限性。
33.通常，计算新滚动轴承的整个使用寿命，并据此推荐维护间隔。为此，评估轴承的和谐幅度并确定损坏等级。然后，根据经验估计剩余可用寿命。
34.转到图4，示出了用于确定轴承剩余可用寿命的示例性步骤。使用轴承的振动的谐波频率幅度，例如由表面缺陷导致的损坏引起的内圈和/或外圈的振动的谐波频率幅度，确定轴承的表面缺陷的尺寸。例如，能够使用以下频率中的一个或多个频率：内滚道损坏频率(bpfi)、外滚道损坏频率(bpfo)和/或轴承保持器损坏频率(ftf)。特别地，能够(仅)使用bpfi、bpfo和/或ftf的第一谐波、第二谐波和第三谐波。在这种情况下能够(仅)使用这些谐波的最大幅度。能够忽略或滤除高次谐波。
35.随后，确定由轴承中的表面缺陷引起的主应力，优选地考虑轴承的特定操作条件。优选地，确定主应力的极大值，即最大值，并将其用于计算剩余可用寿命。主应力是应力张
量的特征值，并且最大量级的特征值是最大主应力。然后，基于主应力中的至少一个主应力计算轴承的剩余可用寿命。为此，能够使用例如基于有限元方法、fem或fem方法的替代模型的模拟模型来确定轴承的主应力。然后，能够使用主应力基于“高周疲劳”hcf算法来确定剩余可用寿命。
36.转到图5，示出了用于确定表面缺陷尺寸的示例性方法步骤。在机器学习算法(诸如经训练的人工神经网络)的帮助下确定一个或多个表面缺陷的尺寸。为此目的，能够使用来自数值模拟的数据来训练人工神经网络ml。例如，人工神经网络ml的超参数(诸如历元的数量)能够被设置为例如500，并且学习率能够被设置为例如0.2。然而，能够使用其他超参数。训练数据能够作为具有一个或多个表面缺陷的轴承的模拟结果而获得——这稍后将结合图10进行描述。
37.在第一步中，在轴承和/或旋转机械系统(rms)的操作期间，生成轴承振动的时间序列数据，例如通过对振动传感器数据进行采样，例如根据图2的实施例。采样的数据能够被存储在网关(诸如边缘设备)的存储器中或云计算环境中。随后，时间序列数据能够被傅里叶变换到产生轴承振动的频谱的频率空间。其中，频率和幅度能够是特定轴承损坏的特性，例如，损坏是否存在于内圈、外圈和/或滚动元件本身上，参见如结合图3所述。然后能够将频谱或仅其一部分输入机器学习算法，诸如经训练的神经网络ml。经训练的人工神经网络ml进行操作以基于输入频率和/或其幅度值推断表面缺陷尺寸(在内圈、外圈或滚动元件上)。
38.在图6中，示出了用于确定轴承应力的示例性步骤的示意图。基于例如根据图5的实施例确定的表面缺陷尺寸，能够确定轴承应力。这能够通过有限元方法或如图6所示通过所述有限元方法的替代模型来实现。替代模型能够是5次多项式并且能够从轴承的模拟模型获得：
[0039][0040]
其中，x表示输入参数，例如缺陷尺寸、(转子)速度和/或应力，并且ak表示对应的系数。多项式的系数ak能够通过作为输入参数的函数的轴承模拟计算的应力的多项式插值来确定。
[0041]
因此，使用有限元方法(fem)的计算能够被以足够的精度描述应力的简化的替代模型替代。结果，获得了由表面缺陷引起的主应力。
[0042]
代替主应力，替代模型能够用于获得由表面缺陷引起的接触力。接触力或负载能够基于轴承的几何形状和接触应力来确定。在这种情况下，接触力f或负载p也能够用5次多项式建模：
[0043][0044]
其中，x表示输入参数，例如缺陷尺寸、(转子)速度和/或应力，并且ak表示对应的系数，如上文所述。多项式的系数ak能够通过作为输入参数的函数的轴承模拟计算的接触力的多项式插值来确定。
[0045]
转到图7，示出了用于确定轴承的剩余可用寿命的示例性方法步骤。根据前述实施例确定的主应力或接触力能够用作产生rul作为结果的计算的输入。能够根据高周疲劳hcf模型执行rul计算。
[0046]
在图8中，示出了用于确定轴承的剩余可用寿命的更多细节。基于根据替代模型sm的计算，能够确定由表面缺陷引起的主应力。然后，为了确定表面缺陷的hcf效应，能够使用basquin公式。basquin公式是一种幂律关系，描述了施加的应力周期(s)与失效的周期数(n)之间的线性关系：
[0047][0048]
因此，能够获得作为失效周期数的rul。
[0049]
图9示出了用于基于接触力确定轴承的剩余可用寿命的示例性步骤。与图8类似，由表面缺陷引起的接触力能够根据前面解释的用于确定接触力的替代模型来获得。为了确定剩余可用寿命，能够使用iso 281规范。根据iso 281，标称寿命以百万转l10或操作小时数ll0h为单位进行确定：
[0050]
或
[0051]
其中，c是额定动负载，p是当量动负载，并且p是p寿命指数，并且其中，对于滚珠轴承，p＝3；而对于滚子轴承，p＝10/3。
[0052]
因此，用于计算缺陷尺寸的机器学习模型和用于计算主应力的替代模型基于缺陷尺寸和/或基于目录数据和旋转机械系统(例如马达)的操作条件由上述实施例所公开。
[0053]
图10示出了用于训练人工神经网络的示例性步骤的示意图。首先，为了获得合适的训练数据集，使用有限元方法fem。基于fem，获得数据集，该数据集一方面包括振动频率和对应的幅度，另一方面包括表面缺陷尺寸。从而获得将表面缺陷的振动频率(诸如外圈或内圈的损坏频率)与不同的表面缺陷尺寸联系起来的数据集。该数据集能够用于训练人工神经网络ml。然后能够使用这个经训练的人工神经网络ml来确定表面缺陷尺寸。因此，经训练的人工神经网络ml能够用于确定上述轴承的主应力和/或剩余可用寿命。
[0054]
现在，为了生成数据集，fem计算能够基于输入参数，诸如静态输入参数和动态输入参数。静态输入参数能够包括轴承的几何形状、材料特性和重量，而动态特性(其在静态特性保持不变时变化)能够包括不同的表面缺陷尺寸和/或不同的转子速度。因此，fem计算产生了取决于不同的表面缺陷尺寸的振动频率和对应幅度。
[0055]
图11示出了频率幅度和表面缺陷尺寸的示意图。为了验证经训练的人工神经网络ml的推断能力，由人工神经网络推断的表面缺陷尺寸作为特定振动频率的幅度的函数已与轴承的模拟模型的结果对于相同频率进行了交叉检查。