轴承寿命和可靠性的实验预测

轴承寿命和可靠性的实验预测。

轴承在整个生命周期运行过程中，很可能受到高温、润滑不良、装配不当、异物侵入等因素的影响。这将导致轴承损坏和故障。由于轴承的寿命是非常离散的，在一批相同的结构、相同的材料、相同的热处理、相同的加工方法的轴承，在相同的工作条件下，高寿命和低寿命相差几十倍甚至更多。传统的数理统计方法表明，轴承寿命试验数据近似符合威布尔分布或对数正态分布，但在实际工况下仍难以预测。因此，对轴承寿命试验数据进行有效处理就显得尤为重要，国内外的研究机构都积极对轴承寿命试验数据进行相关研究。

Saxena等利用功率谱密度参数作为滚动轴承的性能退化指标，预测了轴承的剩余使用寿命。密度参数可以诊断故障的位置和程度。小婷等人采用峰度和多域特征集作为趋势预测指标，不仅能有效反映轴承的运行状态，还能预测轴承的性能退化趋势。Banjevic等利用比例风险模型预测设备的可靠性函数和剩余寿命，并以某一时刻的协变量为基准预测其剩余寿命。在前人研究的基础上，Kacpnynski提出了一种监测数据与材料参数相结合的预测模型，并利用该模型对滚动轴承的寿命进行了预测。Kimotho等提出了一种混合差分进化粒子群优化(DE-PSO)算法来优化支持向量机的核函数和罚参数的预测方法，提高了支持向量机的分类精度和剩余寿命预测的精度，并用NASA标准轴承失效数据进行了验证。Orsagh等利用Yu-Harris模型预测了滚动轴承疲劳剥落失效的起始时间，利用Kotzalas-Harris模型预测了滚动轴承的失效时间。Panigrahi提出了一种扩散粒子群优化(DPSO)算法来解决轴承性能退化研究中的大似然函数估计问题，取得了良好的预测效果。

目前，基于统计的寿命模型在轴承寿命预测中仍起着主导作用。然而，实验和工程应用表明，统计寿命模型计算的寿命通常是保守的，轴承寿命的离散性很大。因此，如何通过研究轴承性能退化的机理来改进轴承寿命模型是一个主要问题。随着新信息技术和人工智能的发展，基于状态监测的寿命预测方法已成为轴承寿命预测的研究热点。借助大数据、人工智能信息等技术，可以获取反映轴承使用性能的动态信号，获取表征轴承性能退化的信号特征参数，建立信号特征参数与剩余寿命的映射关系，从而实现剩余寿命的预测。然而，缺乏合适的特征参数来衡量运行过程中轴承性能逐渐下降的演变规律。与传统的寿命预测模型相比，神经网络等人工智能方法物理意义不明确，参数影响因素较大。对其中的难点进行深入研究，对于轴承寿命预测技术来说非常重要。