首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 航空航天工程论文 > 空间轴承中轴承故障诊断技术的应用

空间轴承中轴承故障诊断技术的应用

2021-11-02 121 上传者：管理员

摘要：空间轴承是飞轮和控制力矩陀螺等空间惯性执行机构的核心部件，若发生故障，会直接影响航天任务执行能力。因此，空间轴承的故障诊断成为保证航天器高可靠、长寿命的一个重要支撑。本文首先介绍空间轴承的故障特点、诊断技术难点；然后总结分析目前轴承主要的故障特征提取技术、智能诊断等方法；接着，深入讨论这些技术在空间轴承故障诊断中的应用与发展；最后结合当前研究现状，对未来空间轴承故障诊断技术发展方向进行了分析与展望。

关键词：
人工智能
故障诊断
特征提取
空间轴承
航天器飞轮故障
加入收藏

飞轮、控制力矩陀螺(ControlMomentGyro,CMG)等空间惯性执行机构，是现代长寿命、高精度三轴稳定航天器必不可少的核心执行机构和关键单机。迄今为止，由于空间轴承故障导致的空间惯性执行机构失效已经影响了多次航天任务的顺利完成。例如，美国EchoStarV号卫星由于轴承故障引发动量轮异常，导致轨道位置变化，燃料消耗增加，缩短了2年的寿命。NASA的FUSE太空望远镜曾在两周内两台飞轮连续发生轴承故障而失效[1]。单台飞轮或CMG造价可达数百万，单台航天器造价更是以亿计，一旦空间轴承在轨发生故障不仅直接影响航天器性能及任务的顺利实施，严重故障甚至可以导致航天器失效，事关国家安全和军事利益，造成巨大经济损失。因此，开展空间轴承故障诊断技术对卫星性能保持和寿命管理都具有重大的科学意义和工程实用价值。

目前，关于空间轴承保持架故障机理、故障诊断和状态评估的研究文献很少。但各国学者和工程技术人员已经发展了丰富的地面轴承故障诊断技术，包括振动信号分析法、声学信号分析法、声发射法、红外分析法、油液分析法、光谱测定、磁性磁屑探测法、铁谱分析法和接触电阻法等[2],其中以振动信号分析法相对简单方便，应用最为广泛[3]。地面轴承动力学特性研究、故障诊断及寿命预测方面的研究成果可以为空间轴承故障诊断提供参考。但与地面轴承相比，空间轴承的运转环境、设计制造以及工作要求等方面均有较大差异，致使其失效模式不仅包含地面环境中常见的失效模式，也因空间环境、技术工艺等因素产生新的变化和特点。因而对其故障诊断时需要考虑这些特殊性。针对该问题，本文总结了现有振动信号的轴承故障诊断方法，并对其在空间轴承中的应用进行了思考。

一、空间轴承的故障特点

滚动轴承(角接触球轴承居多)是目前空间轴系中应用最为广泛的轴承类型之一，它具有高精度性、低摩擦性、使用寿命长等优点[4]。传统滚动轴承的基本失效模式主要分为两大类：止转失效和精度失效。具体而言，滚动轴承的失效形式一般可以分为点蚀、磨损擦伤、锈蚀、电蚀、断裂等类型。由于工作环境、设计制造及任务剖面等方面的特殊性，空间轴承故障与地面轴承故障相比具有以下特点：

(1) 空间轴承寿命受到运行环境和装配质量等因素的较大影响

例如，太空交变温度会引起空间轴承热变形以及预紧力的变化；而轴承装配不当可能会引起保持架发生变形，造成保持架磨损类故障等[5]。

(2) 空间轴承的失效形式主要为精度失效

空间轴承常见的失效模式通常有润滑膜磨损失效、保持架磨损、滚动体滑移、旋转精度降低等[6]。此时，空间轴承仍可以正常运转，但是会伴随振动信号变化、预紧力变化、摩擦力矩增加、温度升高等。

(3) 空间轴承的失效机理与地面环境相比有较大差异

例如在真空环境下的润滑膜摩擦系数要比在空气下小很多。

二、轴承故障诊断关键技术

目前国内外在轴承故障振动诊断方面的研究大致可以分为两部分：一是从振动信号中提取故障特征，二是利用神经网络等智能方法来进行状态评估。

(一) 故障特征提取方法

轴承故障特征主要依靠先进的信号处理技术来提取，主要可以分为时域、频域以及时频分析方法。

1. 时域分析方法

基于时域信号进行轴承故障特征提取最为简单，主要是通过计算统计参数来指示轴承故障。例如，峭度值对冲击脉冲信号非常敏感，是点蚀类损伤故障最常用的特征指标。均方根用来描述振动能量的大小，常用来判断磨损类故障。这种方法优点在于简单快速，但难以分辨故障类型和位置，且需要大量数据进行定标分析，不适合在线和实时应用。

2. 频域分析方法

频域分析主要通过目前常用的快速傅立叶变换(FFT)方法将信号从时域转换为频域，主要方法包括频谱分析、倒频谱分析和包络分析。频谱分析通过观察故障峰值或计算重心频率、均方频率、峰值频率等频域参数判断是否存在故障特征。然而，该方法存在现象不明显、稳定性差等特点，尤其受噪声影响较大。针对这一问题，目前基于包络分析提取轴承组件脉冲响应周期信息的诊断方法使用广泛。包络分析是用于检测由结构共振放大的故障脉冲的设想。当轴承元件出现诸如点蚀、剥落等损伤时，会产生瞬态冲击，从而激起整个测振系统的高频固有振动，并且携带故障特征。实际测试中可以通过采集高频信号并对其进行包络解调，查找故障特征频率，从而监视与诊断轴承故障。然而，该方法存在滤波谱带不确定且依赖人的主观经验等缺点。倒频谱用于检测周期频谱，其原理是对功率谱再次进行傅里叶变换，凸显频谱图中的周期成分。该方法受信号传递路径和传感器测点位置影响小，这一优点对故障识别极为有效。

3. 时频分析方法

轴承存在损伤缺陷时，其振动信号多存在非稳态、非线性特征。因此，一些非稳态信号处理方法也被用于这一领域。时频分析是处理非平稳信号最受欢迎的方法之一。威格纳分布(WVD),短时傅立叶变换(STFT)、小波变换(WT)、经验模态分解(EMD)、变分模态分解(VMD)等是最具代表性的时频分析方法。这些方法被广泛应用于轴承故障诊断，取得了显著的进展。但这些方法也存在固有的不足。例如STFT的缺点之一是时间分辨率和频率分辨率之间的限制；WVD的缺点是严重的交叉项；小波变换受小波函数大小的限制；EMD存在端部效应等障碍。因此实际应用中还需根据具体情况，选择合适的特征提取方法加以改进。

(二) 智能状态评估方法

轴承状态评估是指根据振动信号评估轴承当前性能状态。随着机器学习技术的突破与发展，越来越多的研究学者将人工智能技术应用于轴承故障诊断领域。基于人工智能的状态评估方法也成为目前轴承故障诊断的主要手段之一，其适用范围是分类故障特征，如健康状况、缺陷类型、缺陷位置、缺陷严重程度等。在该领域，常用的人工智能技术有K邻近算法(KNN)、高斯过程回归(GPR)、支持向量机、人工神经网络等。其中，人工神经网络、支持向量机等方法应用最为成熟。

人工神经网络是人工智能技术的重要内容。它良好的非线性处理能力和数学逼近能力，为轴承故障诊断方法提供新的思路和途径[7]。本质上来说，神经网络是一种数学运算模型，但无需给出具体的数学表达公式。训练完成后的神经网络可以包含故障诊断及预测所需的知识，通过处理新的测量输入，即可得到诊断结果。并且，随着网络系统复杂程度的不断加深，该方法并行分布处理复杂信息的能力也随之提高，并且具有强容错能力和自学习能力。当然，这一方法也存在一些缺陷。首先，神经网络构建过于精密时，往往容易出现训练过多，优化过度等问题，造成“过拟合”或“欠拟合”。此外，由于缺乏透明度，人工智能方法的结果解释性也不足。

支持向量机基于结构风险最小化原则，可以避开神经网络中结构选择、局部极值等问题，获得全局最优解。此外，支持向量机无须大量数据，在样本数量较小的情况下仍然具有较好的泛化能力，且收敛速度快。而支持向量机的缺点在于，它的工作效率受样本数量影响较大。当输入样本数量过多时，很容易造成过度学习问题[8]。

下表所示为典型故障诊断方法的优缺点比较及适用范围的比较。

三、故障诊断技术在空间轴承中的应用思考

在实际应用中，空间轴承由于环境因素和特殊的使用需求，对故障诊断技术的应用有其特殊性。目前工程中广泛采用电流、轴温以及振动监测方法来检测空间轴系异常。其中，振动监测方法敏感度高、信息量大、实时性好，是当前研究热点。虽然，一些学者和工程技术人员提出了一些针对空间轴承的诊断方法，但鉴于故障机理的复杂性，这些方法在实际故障诊断中的应用还有一些问题有待解决。

第一，空间轴承的常见故障模式是复合材料保持架失稳、早期轻微故障、润滑异常等，其故障演变规律尚不明，尤其是在姿态控制变转速的背景下，其性能衰退的振动机理更加复杂。因此，有必要对实际运转过程中空间轴承振动机理及特征进行研究，为后续振动信号处理和建立诊断模型奠定基础。

第二，对于空间轴承而言，由于轴承载荷轻、结构元件多，在正常运转时也可能产生类似于微弱故障特征的现象，现有空间轴承故障诊断方法常常将正常可用轴承诊断为微弱故障轴承，导致虚警率过高。目前，许多信号处理方法，包括包络解调、小波分解、经验模态分解能够提取到微弱的故障特征信息，但在正常工况下却可能出现某个元件对应的特征频率。因此，如何将故障特征与性能衰退进行关联、识别，对早期故障进行有效警示，降低虚警率是目前空间轴承故障诊断亟须解决的问题。此外，空间轴承通常为采用复合材料保持架的角接触球轴承，一般成对使用。对其进行振动信号采集往往会受到配对轴承相互作用的影响，导致特征信息复杂，难以解释。因此，发展信号处理技术实现振动信号降噪、分离是目前的又一研究方向。

第三，随着深度学习的不断发展与进步，越来越多的研究者利用神经网络或支持向量机等分类器对空间轴承故障进行诊断，也取得了不错的效果。然而在应用过程中也暴露出一些问题。例如，神经网络与传统机器学习算法相比需要大量数据。然而飞轮产品数量少且个体间差异大，空间轴承振动测试有限，导致测试数据，尤其是故障样本匮乏、测试时间跨度短、数据积累较少等。这些都对基于人工智能的故障诊断方法和技术实施造成很大困难。因此在训练模型时，可以加入电流、轴温等数据以增加输入信息，并且与物理模型相结合，提高乏样本条件下的诊断可信度。

四、总结

随着信号处理方法和人工神经网络的飞速发展与不断改进，空间轴承振动监测与故障诊断有了很大的提升，越来越多的先进诊断技术应用到实际中，解决了许多技术难题。本文在分析总结空间轴承的故障特点和诊断技术难点的基础上，介绍了当前典型的轴承故障诊断技术，并讨论其在空间轴承故障诊断中的应用与发展。最后，结合当前研究现状与不足，对未来发展方向进行了展望。

参考文献:

[4]杨国安.机械设备故障诊断实用技术[M].北京:中国石化出版社,2013:230-255.

[6]宁峰平.空间滚动轴承可靠性影响因素作用机理及其演化规律研究[D].燕山大学,2015.

[7]周熙楠.基于机器学习的滚动轴承故障诊断方法研究[D].燕山大学,2018.

文章来源：刘艳辉.轴承故障诊断技术及其在空间轴承中的应用思考[J].科技风,2021(30):178-180.