ВИЗНАЧЕННЯ ІНФОРМАТИВНИХ СКЛАДОВИХ МЕТОДОМ ШВИДКОЇ ЕКСЦЕСОГРАМИ ДЛЯ ВІБРОДІАГНОСТУВАННЯ ПІДШИПНИКІВ КОЧЕННЯ

Ключові слова: амплітуда, вібрація, двигун, діагностування, діапазон, ексцес, обвідна, підшипник, спектр, частота

Анотація

У статті розглядаються властивості методу швидкої ексцесограми для вібродіагностування підшипників кочення електричного двигуна. Зважаючи на недоліки класичних методів вібродіагностування у часовому поданні, для вибору прийнятної частотної смуги для демодуляції та побудови спектру обвідної вібрації запропоновано використовувати метод швидкої ексцесограми, яка розраховує спектральний ексцес сигналу та визначає центральну частоту та ширину частотної смуги. Упродовж експериментальних досліджень реєструвалась вібрація підшипника кочення електричного двигуна мотор-компресора електровоза ЧС7 та будувався широкосмуговий спектр вібрації. Для отримання спектрів обвідної вібрації на широкосмуговому спектрі в діапазоні 0 – 9 кГц за допомогою емпіричного підходу обирались відповідні чотири частотні смуги з резонансними сплесками. На жодному з побудованих спектрів обвідної вібрації відповідних інформативних складових серед безлічі випадкових компонентів виявлено не було. Застосування методу швидкої ексцесограми дозволило обрати відповідну частотну смугу з найвищим ексцесом для здійснення демодуляції. Отриманий спектр обвідної вібрації містив дуже виражені три гармоніки частоти перекочування роликів відносно зовнішнього кільця, що відповідає діагностичній ознаці несправного зовнішнього кільця підшипника кочення

Посилання

ЛІТЕРАТУРА

Osorio Santander E. J., Silva Neto S. F., Vaz L. A., Monteiro U. A. Using spectral kurtosis for selection of the frequency bandwidth containing the fault signature in rolling bearings. Marine Systems & Ocean Technology. 2020. Vol. 15(4). P. 243 – 252. https://doi.org/10.1007/s40868-020-00084-2

Rongye L., Zhiwen L., Yulin J. Instantaneous frequency estimation for wheelset bearings weak fault signals using second-order synchrosqueezing S-transform with optimally weighted sliding window. ISA Transactions. 2021. Vol. 115. P. 218 – 233. https://doi.org/10.1016/j.isatra.2021.01.010

Dwyer R. Detection of non-Gaussian signals by frequency domain Kurtosis estimation. Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing. 1983. P. 607 – 610.

Antoni J. The spectral kurtosis: a useful tool for characterising non-stationary signals. Mechanical Systems and Signal Processing. 2006. Vol. 20(2). P. 282 – 307. https://doi.org/10.1016/j.ymssp.2004.09.001

Antoni J., Randall R. B. The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines. Mechanical Systems and Signal Processing. 2006. Vol. 20(2). P. 308. – 331. https://doi.org/10.1016/j.ymssp. 2004.09.002

Ren Y., Li W., Zhang B., Zhu Z., Jiang F. Fault diagnosis of rolling bearings based on improved kurtogram in varying speed condition. Applied Sciences. 2019. Vol. 9(6). P. 1157. https://doi.org/10.3390/app9061157

Barszcz T., Jab ́ski A. A novel method for the optimal band selection for vibration signal demodulation and comparison with the Kurtogram. Mechanical Systems and Signal Processing. 2011. Vol. 25(1). P. 431 – 451. https:// dx.doi.org/10.1016/j.ymssp.2010.05.018

Guo Y., Na J., Li B., Fung R-F. Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing. Journal of Sound and Vibration. 2014. Vol. 333(13). P. 2983 – 2994. https:// dx.doi.org/10.1016/j.jsv.2014.02.038

Dyer D., Stewart R. M. Detection of rolling element bearing damage by statistical vibration analysis. Journal of Mechanical Design. 1978. Vol. 100(2). P. 229 – 235. https://doi.org/10.1115/1.3453905

Antoni J. Fast computation of the kurtogram for the detection of transient faults. Mechanical Systems and Signal Processing. 2007. Vol. 21(1). P. 108 – 124. https://doi.org/10.1016/j.ymssp.2005.12.002

Xu Y., Zhang K., Ma C., Cui L., Tian W. Adaptive Kurtogram and its applications in rolling bearing fault diagnosis. Mechanical Systems and Signal Processing. 2019. Vol. 130. P. 87 – 107. https://doi.org/10.1016/j.ymssp.2019.05.003

Gupta P., Pradhan M. K. Fault detection analysis in rolling element bearing: A review. Materials Today: Proceedings. 2017. Vol. 4(2). P. 2085 – 2094. https://doi.org/10.1016/j.matpr.2017.02.054

Jena D. P., Panigrahi S. N. Precise measurement of defect width in tapered roller bearing using vibration signal. Measurement. 2014. Vol. 55. P. 39 – 50. https://doi.org/10.1016/j.measurement.2014.04.023

Saruhan H., Sandemir S., Çiçek A., Uygur I. Vibration analysis of rolling element bearings defects. Journal of Applied Research and Technology. 2014. Vol. 12(3). P. 384 — 395. https://doi.org/10.1016/S1665-6423(14)71620-7 15. Tyagi S., Panigrahi S. K. An improved envelope detection method using particle swarm optimisation for rolling element bearing fault diagnosis. Journal of Computational Design and Engineering. 2017. Vol. 4(4). P. 305 – 317. https://doi.org/10.1016/j.jcde.2017.05.002

REFERENCES

Osorio Santander E. J., Silva Neto S. F., Vaz L. A., Monteiro U. A. (2020). Using spectral kurtosis for selection of the frequency bandwidth containing the fault signature in rolling bearings. Marine Systems & Ocean Technology. Vol. 15(4). 243 – 252. https://doi.org/10.1007/s40868-020-00084-2

Rongye L., Zhiwen L., Yulin J. (2021). Instantaneous frequency estimation for wheelset bearings weak fault signals using second-order synchrosqueezing S-transform with optimally weighted sliding window. ISA Transactions, Vol. 115. 218 – 233. https://doi.org/10.1016/j.isatra.2021.01.010

Dwyer R. (1983). Detection of non-Gaussian signals by frequency domain Kurtosis estimation. Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing. 607 – 610.

Antoni J. (2006). The spectral kurtosis: a useful tool for characterising non-stationary signals. Mechanical Systems and Signal Processing. Vol. 20(2). 282 — 307. https://doi.org/10.1016/j.ymssp.2004.09.001

Antoni J., Randall R. B. (2006). The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines. Mechanical Systems and Signal Processing. Vol. 20(2). 308. – 331. https://doi.org/10.1016/j.ymssp. 2004.09.002

Ren Y., Li W., Zhang B., Zhu Z., Jiang F. (2019). Fault diagnosis of rolling bearings based on improved kurtogram in varying speed condition. Applied Sciences. Vol. 9(6). 1157. https://doi.org/10.3390/app9061157

Barszcz T., Jab ́ski A. (2011). A novel method for the optimal band selection for vibration signal demodulation and comparison with the Kurtogram. Mechanical Systems and Signal Processing. Vol. 25(1). 431 – 451. https://dx.doi.org/ 10.1016/j.ymssp.2010.05.018

Guo Y., Na J., Li B., Fung R-F. (2014). Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing. Journal of Sound and Vibration. Vol. 333(13). 2983 – 2994. https:// dx.doi.org/10.1016/j.jsv.2014.02.038

Dyer D., Stewart R. M. (1978). Detection of rolling element bearing damage by statistical vibration analysis. Journal of Mechanical Design. Vol. 100(2). 229 – 235. https://doi.org/10.1115/1.3453905

Antoni J. (2007) Fast computation of the kurtogram for the detection of transient faults. Mechanical Systems and Signal Processing. Vol. 21(1). 108 – 124. https://doi.org/10.1016/j.ymssp.2005.12.002

Xu Y., Zhang K., Ma C., Cui L., Tian W. (2019). Adaptive Kurtogram and its applications in rolling bearing fault diagnosis. Mechanical Systems and Signal Processing. Vol. 130. 87 – 107. https://doi.org/10.1016/j.ymssp.2019.05.003

Gupta P., Pradhan M. K. (2017). Fault detection analysis in rolling element bearing: A review. Materials Today: Proceedings. Vol. 4(2). 2085 – 2094. https://doi.org/10.1016/j.matpr.2017.02.054

Jena D. P., Panigrahi S. N. (2014). Precise Measurement of Defect Width in Tapered Roller Bearing using Vibration Signal. Measurement. Vol. 55. 39 – 50. https://doi.org/10.1016/j.measurement.2014.04.023

Saruhan H., Sandemir S., Çiçek A., Uygur I. (2014). Vibration Analysis of Rolling Element Bearings Defects. Journal of Applied Research and Technology. Vol. 12(3). 384 – 395. https://doi.org/10.1016/S1665-6423(14)71620-7 15. Tyagi S., Panigrahi S. K. (2017). An improved envelope detection method using particle swarm optimisation for rolling element bearing fault diagnosis. Journal of Computational Design and Engineering. Vol. 4(4). 305 – 317. https://doi.org/10.1016/j.jcde.2017.05.002

Опубліковано
2022-06-27
Розділ
Техніка і технології