首页/文章/ 详情

用于寿命预测,含17个轴承全寿命振动数据(包括不同转速、载荷)

3天前浏览440


本期给大家介绍一个轴承全寿命周期的轴承数据(IEEE PHM 2012轴承数据集,又叫FEMTTO-ST轴承数据集),主要是用于做寿命预测。

论文基本信息

论文题目PRONOSTIA: An experimental platform for bearings accelerated degradation tests

论文期刊IEEE International Conference on Prognostics and Health Management
论文日期2012
论文链接hal.science/hal-00719503/document
数据链接https://github.com/LeeJMJM/UM-GearEccDataset
作者Patrick Nectoux, Rafael Gouriveau, Kamal Medjaher, Emmanuel Ramasso, Brigitte Chebel-Morello, Noureddine Zerhouni, Christophe Varnier
 
机构

FEMTO-ST Institute, AS2M department


目录

1 挑战概述
    1.1 轴承寿命预测
    1.2 挑战数据集
    1.3 感谢
2 实验台
    2.1 概述
    2.2 旋转部件
    2.3 加载部件
    2.4 测量部件
3 IEEE PHM 2012挑战实验数据集
    3.1 轴承退化:运行失效实验
    3.2 挑战数据集
4 数据组织
    4.1 数据采集特性
    4.2 ASCII文件
5 得分评价
    5.1 得分评价
    5.2 实际寿命
6 实验结果
    6.1 退化模式
    6.2 理想退化
    6.3 突然退化
    6.4 理论模型不匹配
    6.5 噪声水平
A 附录
    A.1 测试轴承特性
    A.2 加速度计特性
    A.3 温度传感器特性
    A.4 学习数据集中实验特征
    A.5 测试数据集中实验特征

1挑战概述

1.1 轴承寿命预测

IEEE可靠性学会FEMTO-ST研究所很高兴组织IEEEPHM 2012数据挑战。该挑战的重点是轴承剩余寿命(RUL)的估计,这是一个关键问题,因为大多数旋转机械的故障都与这些部件有关,强烈影响电力和交通等行业机械系统和设备的可用性、安全性和成本效益。这项挑战向所有潜在的会议参与者开放。

1.2 挑战数据集

PHM挑战数据集由FEMTO-ST研究所提供(法国贝桑松,http://www.femto-st.fr/)。实验是在实验室实验平台(PRONOSTIA)上进行的,该平台可以在恒定或可变的工况下加速轴承的退化,同时收集在线健康监测数据(转速、负载、温度、振动)。

PHM 挑战中,考虑了代表3种不同负载的数据(转速和负载)。为参与者提供了6个全寿命数据集,以构建他们的预测模型,并被要求准确估计剩余11 个轴承的 RUL11 个测试轴承的监测数据被截断,因此参与者应该预测剩余寿命,从而进行 RUL估计。此外,没有给出关于将要发生的故障类型的假设。

挑战数据集的特点是训练数据量小,实验持续时间变化大(从1小时到7小时)。因此,进行良好的估计相当困难,这使得挑战更加令人兴奋。请注意理论框架:(L10、BPFI、BPFE等)与实验观察结果不匹配。

1.3 感谢

数据集正在公开提供。使用这些数据库的出版物被要求引用以下论文。

Patrick Nectoux,Rafael Gouriveau,Kamal Medjaher,Emmanuel Ramasso,BrigitteMorello,Noureddine Zerhouni,Christophe Varnier .PRONOSTIA: An Experimental Platform for Bearings Accelerated Life Test. IEEE International Conference onPrognostics and Health Management,Denver,C0,USA,2012.

2 实验台

2.1 概述

PRONOSTIA是一个实验平台(图1),专门用于测试和验证轴承故障检测、诊断和预测方法。该平台已在FEMTO-ST研究所的AS2M部门设计和实现。

PRONOSTIA的主要目的是提供真实的实验数据,描述滚动轴承在整个使用寿命(直到其完全失效)期间的退化情况。

图1  PRONOSTIA试验台

2.2 旋转部件

这部分包括带有变速箱的异步电动机及其两根轴:第一根轴是靠近电机,第二个安装在增量编码器的运行侧。电机功率为250W,通过齿轮箱传递旋转运动,使电机达到额定转速2830rpm,从而在保持从动轴转速低于2000rpm的同时提供额定转矩。使用刚性轴联轴器为电机与轴支撑轴承之间进行连接。

人机界面允许操作员设置速度,选择电机的旋转方向,并设置监控参数,如电机的瞬时温度,以最高使用温度的百分比表示。

图2  轴支承轴承

2.3 加载部件

该部件的组件被分组在一个独特的和相同的铝板中,该铝板通过一层薄的聚合物部分地与仪器部分隔离。铝板支撑一个气动千斤顶一个垂直轴及其杠杆臂一个力传感器一个测试轴承的夹紧环一个支撑测试轴承轴,两个垫块及其大过盈轴承。气动千斤顶产生的力首先通过杠杆臂放大,然后通过夹紧环间接施加到测试轴承的外圈上(图3).

加载部分构成了整个系统的核心。实际上,径向力通过将其值设置为轴承的最大动态负载(4000 N)(见附录A.1)来减少轴承的使用寿命。此负载由力发生器产生,该发生器由气动千斤顶组成,其供应压力由数字电动气动调节器提供。

图3  加载部分的详细信息

2.4 测量部件

工况由施加在轴承上的径向力的瞬时测量值、测试轴承的轴转速和施加在轴承上的转矩确定。这三个模拟测量值中的每一个都以100 Hz的频率获得。

轴承劣化特性的表征基于两个传感器数据类型:振动和温度(图4)。

振动传感器(附录A.2)由两个微型加速度计组成,它们彼此成90°放置第1个放在垂直轴上第2个放在水平轴上。两个加速度计以径向方式安装在轴承的外圈上。

温度传感器(附录A.3)是一个RTD(电阻温度检测器)铂PT100(1/3 DIN级)探头,它被放置在靠近轴承外圈的孔内

加速度测量以25.6 kHz的采样率进行,温度测量以0.1 Hz的采样率进行。

图4  测量部分:加速度计和温度传感器

3 IEEE PHM 2012挑战实验数据集

3.1 轴承退化:运行失效实验

PRONOSTIA平台可以执行全寿命实验。为了避免整个试验台损坏的蔓延(以及出于安全原因),当振动信号的振幅超过20g时,试验停止

图5描述了在实验前后可以观察到的滚动轴承组件的示例,以及在整个实验期间收集的振动原始信号。请注意,轴承的退化表现出非常不同的行为导致非常不同的实验持续时间(直到故障)

图5  正常和退化的轴承及实验中的振动原始信号

3.2 挑战数据集

关于PHM挑战,考虑了代表3种不同负载的数据:

  • 第一种工况:1800rpm,4000N;
  • 第二种工况:1650rpm,4200N;
  • 第三种工况:1500rpm,5000N。

为了建立预测模型,给参赛者提供了6个全寿命数据集,并被要求准确估计剩余11个轴承的剩余寿命(见表1)。在所有这些实验中收集了振动和温度信号。11个测试轴承的监测数据被截断,以便参与者预测剩余寿命,从而进行剩余寿命估计。此外,没有对可能出现的故障类型做出任何假设(对退化性质和来源一无所知:滚动体、内圈或外圈、保持架等)。

学习集很小,而所有轴承的寿命分布很广(从1小时到7小时),因此很难进行良好的估计,这使得挑战更加令人兴奋。

表1 IEEE 2012 PHM诊断挑战数据集
  • 注1:对于挑战,RUL被定义为加速度计超过20g的时间。
  • 注2:基于频率特征来检测轴承故障(如内圈、外圈和保持架故障)的理论模型不起作用。事实上,由于退化可能同时涉及测试轴承的所有部件,因此很难获得频率特征。
  • 注3:现有的轴承寿命可靠性理论,如L10,与实验结果不同(理论估计的寿命与实验结果不同)。

4 数据集组织

4.1 数据采集特性

学习和测试数据集都是在“7z”压缩文件夹中提供的。每个文件都包含名为“acc xxxxx.csv”的振动ASCI文件和名为“temp_xxxxx.csv”的温度ASCII文档。数据采集参数如下,必须仔细考虑。

  • 振动信号(水平和垂直)
    • 采样频率:25.6kHz
    • 记录:每10秒记录2560个样本(即1/10秒)(见图6)
  • 温度信号
    • 采样频率:10Hz
    • 记录:每分钟记录600个样本

图6 振动信号采集参数示意图

4.2 ASCII 文件

对于每个ASCII文件,数据的排列如表2所示:

表2 ASCI文件中数据的排列

5 得分评价

5.1 得分评价

团队得分基于其 RUL结果,这些结果已转换为预测的百分比错误。请注意,    和    分别是参与者估计的轴承剩余有用寿命和实际预测的 RUL(其中    )。实验    的百分比错误由以下公式定义:

      (1)

预测轴承RUL小于实际RUL(即    >0),虽然未能准确预测轴承RUL,但是能避免轴承失效带来的风险,因此得分权重要高一些。

预测轴承RUL大于实际RUL(即    <0),未能准确预测轴承RUL,此时将增大了轴承失效带来的风险,因此得分权重要低一些。

因此,实验的RUL估计准确性的分数用下面公式进行评价:

      (2)

所有RUL估计的最终得分被定义为所有实验得分的平均值:

      (3)
图7 RUL的评分函数根据百分比误差估计

5.2 实际寿命

表3 实际寿命

6 实验结果

6.1 退化模式

根据轴承和退化演变的方式,不同的轴承的故障模式可能略有不同。因此,退化“模式”可能具有特定的特征,如下所示。本文考虑了几个实验,其中提取了不同的特征(健康指数)。[18]下图显示了PRONOSTIA在整个实验期间采集的振动原始信号。

6.2 理想退化

图8说明了在水平加速度计传感器上计算的功率谱密度(PSD)的演变。这种演变主要是单调递增的代表了一个理想的情况,即可以使用预测模型和一些简单的阈值进行RUL估计。在垂直加速度计信号上计算的K因子也描述了缓慢退化(图9).

图8  根据水平加速度计数据计算的功率谱密度(PSD)
图9  根据垂直和水平加速度计数据计算出的K因子

6.3 突然退化

在某些情况下,退化现象会突然发生,并且不会表现出缓慢的单调行为。在这种情况下,基于PSD(图 10)或K因子(图 11)等典型健康指标来寻找预测模型要困难得多。因此,必须寻找其他特征。

图10  功率谱密度(PSD)对水平加速度计数据的计算
图11  根据垂直和水平加速度计数据计算出的K因子

6.4 理论模型不匹配

应用基于寿命的预测模型并不相关。实际上,PRONOSTIA考虑的轴承退化表现出非常不同的行为,导致非常不同的实验持续时间(直到故障)此外,基于频率特征来检测轴承故障(如内圈和外圈故障以及保持架故障)的理论模型与PRONOSTIA提供的数据不兼容。这是因为退化可能同时涉及测试轴承的所有部件。最后,现有的轴承寿命可靠性理论,如L10,没有给出与实验结果相同的结果(理论估计的寿命与实验结果不同)。

6.5 噪声水平

噪声水平不受控制,取决于退化过程。在图8到11中,噪声水平呈现不同的值在某些情况下这种水平可能很高,可能是由于与旋转系统其他部分的相互作用所致图 12和13 描述了噪声水平特别高的实验的波峰因子和 PSD

图14展示了对加速度计提供的振动数据进行小波包分解(WPD)的示例。WPD是一种时频技术,允许根据分析的频率调整时间窗口的大小。WPD有两个参数:一个用于频率的标度参数a和一个用于时间[19]的平移参数 b。通过使用 WPD,可以将原始振动信号分解为几个级别,并可以计算每个级别的能量。

图12  根据水平和垂直加速度计数据计算出的波峰因子
图13  根据垂直加速度计数据计算的功率谱密度(PSD)
图14  对水平加速度计数据进行的小波包分解(WPD)

A 附录

A.1 测试轴承特性

  • 配有两个合成橡胶密封件,以防止润滑剂泄漏以及灰尘、水和其他有害物质进入
  • 外圈直径 D=32 mm
  • 内径 d=20 mm
  • 厚度B=7 mm
  • 负载评级静态:2470 N
  • 负载评级动态:4000N
  • 最大速度:13000转/分钟

A.2 加速度计特性

加速度计类型 DYTRAN 3035B

● 量程范围50g

● 100mV/g

A.3 温度传感器特性

● 温度传感器类型铂金RTD PT100 传感器等级 1/3 DIN 规范 IEC 751

● 额定电阻:100欧姆

● 使用范围:-200至+600rC

● 直径:2.8毫米

● 长度:25毫米

A.4 学习数据集中实验的特征

A.5 测试数据集中实验的特征



来源:故障诊断与python学习
Dytran振动旋转机械航空电力UGpythonUM声学理论电机传动数字孪生控制试验
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-11-19
最近编辑:3天前
故障诊断与python学习
硕士 签名征集中
获赞 70粉丝 66文章 141课程 0
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈