滚子轴承退化的监测方法存在不足：一种基于新事件检测机制的早期缺陷检测方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：UNFIT monitoring of roller bearing degradation: A new event-based concept for early defect detection

　　

尼尔·沃森（Neil Watson）|J.C. Ji | 张晓军（XiaoJun Chang）

摘要

滚动元件轴承（REBs）在旋转机械中发挥着至关重要的作用。准确且全面地了解其健康状态以及预测其剩余使用寿命（RUL）对于优化维护策略至关重要。这类健康状况监测面临的一个关键挑战是减少缺陷检测延迟（DDL），即从缺陷开始出现到被识别之间的时间。现有的基于趋势的信号处理方法采用多种时间和频谱分析技术来识别REBs的特征缺陷频率，但这些方法往往依赖于单调的趋势演变，只能在趋势明显发展后才能回溯性地识别缺陷。本研究提出了一种基于事件的新方法——UNFIT（Unstable Negentropy Fluctuations with Indication Trace）方法，用于早期缺陷监测和检测。该方法扩展了先前关于信息熵变化的研究，将其作为检测脉冲信号的手段，并为传统的基于趋势的技术提供了一种替代方案。所提出的方法应用了频谱-时间评估方法，该方法能够强调并表征最终导致故障的脉冲事件，并且在缺陷出现的瞬间进行评估，而非事后分析，从而在理论上最小化了DDL。该方法使用NASA发布的行业公认的IMS数据集进行了验证，该数据集涵盖了所有三种加速失效测试，并将其结果与现有基于趋势的信号处理方法中的故障检测结果进行了对比。此外，还提供了来自西安交通大学（XJTU-SY）和费拉拉大学（Ferrara）的补充数据集以供进一步比较。需要进一步研究以确认该方法在噪声环境下的鲁棒性。部分测试案例的结果表明，UNFIT方法能够减少DDL并提高缺陷识别能力，尤其是在传统基于趋势的指标效果不佳的情况下。这有助于优化维护工作，并通过提供更早、更可行的诊断信息来支持预测性维护和健康管理（PHM）工作流程，使其能够整合到数字孪生和工业4.0的预测性维护框架中。