本發明涉及基于聽覺測量或加速度測量的滾動軸承的狀態監控領域。

背景技術：

已知可利用附在滾動軸承的軸承圈上的加速度傳感器和/或振動傳感器來檢測在滾動體中或在滾道上的缺陷。可在與軸承集成為一體或附在軸承或軸承的外殼上的數據處理單元或者遠程監控單元對傳感器數據進行處理。

最初設想將軸承狀態監控技術用于大型軸承(例如，風力發動機或火車)。現在軸承狀態監控技術的應用領域隨著小型化軸承的進步已經向更小尺寸的(例如，在卡車或汽車中使用的)軸承不斷擴展并將進一步擴展。

從簡單的、基于規則的自學習神經網絡、特征提取和歷史校準方法(諸如，新穎性檢測(noveltydetection))開始已經考慮過很多方法。然而，許多先進或“智能”的方法，雖然從學術觀點令人印象深刻，但是缺乏跨行業現場經驗，并且導致在工業實施中的復雜性。

在大多數情況下，所述方法涉及采用包絡(已解調)振動信號的測量工具中的一個或多個工具。這些方法包括定量方法(諸如，整體振幅的檢測)、定量統計(rms、sd、方差)、計數、周期、自相關特性的使用、hilbert空間分析或循環時間分析(cta)。其它已知方法包括：定性方法(諸如，統計特性(峭度、cf等)或者基于貢獻(cta)部分或諧波含量的方法。

在所有類型的機器中影響狀態監控(cm)的問題在于對于可靠的軸承缺陷檢測(具體來說，當利用加速包絡測量時)應配置何種級別的警告和報警(黃色和紅色)閾值。利用較高頻率范圍的振動進行軸承損壞程度的定量(絕對振幅)評估的任何方法都受困于可使觀察到的振幅放大或衰減的很多因素。

因此，在這些較高頻率范圍內，在一系列不同的應用甚至類似應用中使用固定量級的警報和警報閾值是不可行的，因此，必須使用單獨的閾值，這需要很長時間的分析時間來對不同傳感器和不同機器的這些閾值進行微調。

在軌道軸承監控(railaxlebearingmonitoring)的情況下，可以看出，指示軸承具有明顯缺陷的缺陷頻率振幅根據軸承類型、車軸箱設計、傳感器位置安裝和傳感器朝向從十分之ge變到超過10ge。在這種軌道應用中，常見的測量技術是為其安裝無線傳感器節點，當作為售后解決方案而安裝該節點時，通常無法獲得理想位置和朝向。此外，可以預期的是，這種rag(紅色黃色綠色)方法被合并到無線節點。

從車輛軸承采集的振動測量值通常包括大量的外部噪聲，大部分外部噪聲的出現與輪-軌的相互作用相關，這在不同的軌道應用、軌道、輪組(wheelset)和測量節點(傳遞函數不一致)中明顯不同。這種外部噪聲通常在使用“定量”嚴重程度方法和閾值時導致誤報增加。同時，帶有相似外部噪聲的“相關”方法會導致漏報增加。根據cm分析師的觀點或自動診斷系統方法，優選具有較少誤報，即使是可能會導致更多漏報，并且相較于不是缺陷，當存在缺陷時ci值之間往往存在更為清晰的分離。

然而，到目前為止，這些方法都沒有達到有經驗的工程師的可靠性，即，在查看頻譜過程中基于一系列諧波來檢測出缺陷，以基于終端用戶風險規范來評估其嚴重程度。

技術實現要素：

本發明試圖提供一種方法，所述方法是基于振動加速度包絡(ge)測量的自動化軸承振動狀態嚴重程度分級(sr)值且可靠性提高。本發明的另一目標是能夠簡單且不復雜地將這種方法應用于取決于應用的風險規格。

本發明的目的在于通過已知軸轉速和軸承缺陷頻率時使用加速度包絡(或任何適合的解調加速度)測量來確定軸承是否可能具有滾道缺陷。

該目的通過以下方法來實現：基于軸承的旋轉速度和被配置為測量軸承圈的振動的傳感器獲得的傳感器數據中的至少一個數據樣本來檢測軸承缺陷嚴重程序的方法。所述方法包括以下步驟：通過應用傅里葉變換將所述數據樣本從時域轉換到頻域以獲得信號頻譜；使用所述旋轉速度來確定軸承的缺陷中心頻率；識別信號頻譜中的預定數量的頻率峰值。

發明人提出對已知方法進行改進以檢測軸承缺陷嚴重程序，包括以下步驟：確定包括所述預定數量的頻率峰值的全部頻帶的總振動能量；針對頻率峰值中的每個頻率峰值，將峰值能量確定為信號分量中導致頻率峰值的頻譜能量；使用所述頻率峰值的峰值能量，計算軸承缺陷頻譜能量；使用所述軸承缺陷頻譜能量與所述總振動能量的比率來評估軸承缺陷的嚴重程度。

根據本發明的方法被證明在不需要定制閾值的應用/安裝中是可靠的，并且對傳感器校準偏差和對定位衰減不敏感。

此外，本發明的突出特征是處理要求低，即保持傳感器節點電量使用盡可能低，并且不需要高adc要求(>16bit或>5120sps)。

根據本發明的方法或數據處理設備返回指示嚴重性和缺陷類型的少量單個總值，并且因此由于有限的傳輸功率要求而適合在無線傳感器節點中實現。這進一步導致接收器端的復雜性。

根據本發明的頻帶百分比(pobo)方法是將與軸承缺陷頻率(其基波和若干諧波)相關的振動加速度包絡(ge)頻譜能量與寬帶頻率范圍內的總能量進行比較的方法。為了便于解釋和閾值配置，該比率通常表示為百分比值。

在計算與軸承缺陷相關的頻譜能量時，通常使用缺陷頻率的前3階至5階(諧波)。由于信號已經被包絡，因此基本不需要高于5階，如果速度不夠精確或者在測量采集期間存在速度變化，則這將變成挑戰。

在本發明的語境中，表述“能量”或“振動能量”將在廣義上解釋，并且特別覆蓋經傅里葉變換的任何合適的二次形式的頻譜的幅度，而不考慮任何前置因子或物理單位。

作為“相對”嚴重程度評估方法，根據本發明的方法具有以下優點：

(1)rag/報警閾值在速度變化期間不需要改變。

(2)rag/報警閾值在不同傳感器之間不需要由于定位差別和方位差別而改變。

(3)相同的rag/報警閾值在不同的傳感器設計以及從貨運到高速客運的鐵路應用之間工作。

(4)當存在輪軌噪聲時，誤判率明顯減少并且提高了趨勢穩定性。

(5)與標準cm“定量”方法相比，提高了“正常”與“有缺陷”軸承之間的測量概率分布分離。

在本發明的優選實施例中，識別預定數量的頻率峰值的步驟包括：搜索在包括缺陷中心頻率的頻帶中的第一頻率峰值并搜索在包括整數倍的所述缺陷中心頻率的頻帶中的第二及其隨后的頻率峰值。

更優選地，識別預定數量的頻率峰值的步驟包括：使用缺陷中心頻率來確定第一寬度的預定數量的頻帶，其中，第一頻帶包括缺陷中心頻率，第二頻帶及其隨后頻帶包括將整數倍的缺陷中心頻率作為它們各自的窗口中心頻率；針對頻帶中的每個頻帶，確定在各自頻帶內的信號頻譜的局部最大值；通過計算在所述局部最大值處的信號頻譜的振幅和與局部最大值鄰近的信號頻譜的振幅的平方和來確定在所述頻帶中的每個頻帶內的信號頻譜的峰值能量。在此背景下，鄰近頻率是用于數字處理的離散傅里葉頻率集合中的相鄰頻率。

在本發明的優選實施例中，所述求和包括下一鄰近頻率。然而，在使用比峰值寬度小的頻率分辨率的實施方案中，應該選擇用于對與峰值相關的能量求和的頻率的數量，使得覆蓋整個峰值寬度。

以上方法還被稱為“基礎帶寬搜索”方法，涉及針對缺陷頻率的每個階，搜索在搜索帶寬/頻帶(即3％)內的最高頻譜峰值。搜索帶寬內的頻譜峰值被定義為最高值窗口(bin)(或頻率)，其中，所述最高值接收器的任一側的接收器具有比它更低的值。

所述方法不檢查這些頻譜峰值在一階與下一階之間是否被精確對準，并因此已發現所述方法足夠可靠，其中，已知軸速度以及軸承缺陷頻率，在這種情況下，搜索帶寬可保持較窄(<＝2％)。

然而，在軸速度精確度不精確的情況下，需要使用更寬的搜索帶寬(即>3％)來捕獲缺陷頻率，但這也增加了從也在搜索帶寬內的其它源選擇頻譜峰值的概率，并因此導致比實際錯誤率更高的pobo值。

作為用于識別頻率峰值的可替代方法，發明人提出了另一種方法，所述方法在下文中被稱為“掃描搜索”。

盡管“基本帶寬搜索”更容易利用有限處理能力來實現，但是在噪聲環境(特別是在存在其它諧波分量的情況下)下，“掃頻搜索”被認為是更可靠和準確的。

不管如何確定缺陷頻率分量，一般過程仍然是相同的。

“掃描搜索”方法涉及掃描最高階缺陷頻率搜索帶寬中的每個窗口，并計算每個窗口步驟的第一窗口振幅或第三窗口rss，并假設其為峰值，并且對于相應的低階匹配窗口執行步驟相同。對于每個掃描步驟，確定所有階的值的rss或sum。然后選擇顯示最高振幅作為最有代表性的缺陷的掃描步驟。

這種“掃描搜索方法”識別出：作為準確諧波階次的系列窗口具有最大能量值。因此，如果存在具有諧波的真實缺陷分量，則存在于缺陷階次的搜索帶寬之一內的單個離群(非缺陷相關)分量將被降低被選中的概率。

在本發明的優選實施例中，計算軸承缺陷頻譜能量的步驟包括：計算所述峰值能量的和、加權和或平方根之和(rootsumsquare)。

本發明還提出：確定全部頻帶的總振動能量的步驟包括：計算在所述頻帶內的信號頻譜的振幅平方根之和(rootsquaredsum)。

根據另一方面，全部頻帶的上限和下限是從存儲裝置讀取的取決于應用的設置。

還提出：所述方法包括以下步驟：將所述比率與至少兩個閾值進行比較，從而將缺陷嚴重程度歸類為至少三種等級；輸出結果。嚴重程度等級可直接分配或例如在應用磁滯或“a超出b”方法之后間接分配給rag級別。

在本發明的優選實施例中，所述至少兩個閾值是從存儲裝置讀取的取決于應用的設置。能夠整體計算地選擇/配置用于參考的“頻帶”提高了趨向穩定性(trendstability)并減少了漏報率(false-negative)。

優選地，將缺陷特異性的pobo值計算為“缺陷振幅”/“頻帶總振幅”×100的比率。

如果期望確定軸承的一般條件，則所述方法可被概括為覆蓋對結果稍有不同的權重的多個不同缺陷類型(內圈、外圈、滾動體、保持架)。以下僅對一些進行了描述：

(1)用戶或系統僅選擇最差(最嚴重)的缺陷rag(綠色、黃色或紅色)狀態。

(2)通用pobo值也可通過執行多個不同缺陷類型的pobo值的rss來確定，此外可能需要確定合適的“通用rag閾值”。

(3)通過執行所有缺陷“缺陷振幅”的rss，隨后執行“頻帶整體”計算的百分比來計算“所有缺陷振幅”。將需要確定合適的“通用rag閾值”。

在計算軸承缺陷頻譜能量(例如，sum而不是rss)的步驟中可以使用不同的權重。本領域技術人員將選擇在具有不同噪聲內容的環境中提供最可靠結果的方法。

對于可忽略任何運轉速度噪聲(1xn等)的固定速度應用場景中，“總頻帶”的bpfo、bpfi、bsf和ftfci可相同。但是如果運轉速度噪聲(1xn等)具有某些影響，則應該選擇整個頻帶的bpfo，bpfi和bsf的下限來至少避免1xn和2xn。這對于經常存在車輪間噪聲的軌道車軸軸承應用是非常重要的。

雖然總值的頻譜的完整(避免零頻率)rss運行相當好，但是發明人已經發現，避免低頻輪噪聲的較窄的整體頻帶確實提供稍微更好的可靠性的結果(對存在的輪噪聲不太敏感)。

然而，在軌道軸承應用中，為振動測量選擇的速度范圍可以從額定最大速度的50％變化到100％。低于50％，由缺陷產生的能量值可能較小并且經常具有測量由于噪聲存在的增加部分。在從貨運、地鐵到高速客運的大部分鐵路應用中，大部分合適的獲取測量將在該路線上的該列車的額定最大速度的50％和100％之間。

在本發明的可替換實施例中，整個頻帶取決于軸承速度，例如2.5xrpm。已經發現這可以減少由于輪軌噪聲引起的漏報量。

盡管發現通用poborag配置比大多數標準cm檢測/嚴重程度方法更可靠，但是可通過采用所述方法參數中的若干參數的配置來對通用poborag配置進行明顯改善以適應特定應用。需要理解的是，無論應用如何操作，需要速度精度以及背景噪聲量和背景特性。可提高對于軌道軸承的檢測和rag評估的可靠性的典型配置變化是：

1)提高速度精度

a)減少延遲

b)起始速度、終止速度和平均速度

c)從gps地面速度計算的車輪直徑

2)速度控制

a)在預定速度范圍內(正常巡航)

b)delta速度低于預定值

3)位置觸發

a)在好的軌道段上的路邊或gps位置觸發

本發明可適用于包括滾動軸承、滾珠軸承、圓環滾子軸承或滾針軸承的任何類型的滾動接觸軸承。

所述方法適合于具有足夠的信噪比的任何包絡的、解調的、異頻振動信號，特別地但不排他地加速度包絡帶-3頻譜信號。

對于每個軸承缺陷，計算與該缺陷頻率的預定數量的階次相關聯的能量，然后將其轉換到相對于來自預定頻帶的“總”能量的相對百分比值。

在優選實施例中，確定峰值等級的步驟包括：計算所述比率的對數。所述對數產生分貝(db)標度，所述分貝標度反映人的感知并且已知適于區分背景波動，并且采用適應于用戶要求的閾值級別變得更加透明和方便。

根據本發明的另一方面，所述方法包括以下步驟：對于每個所述峰值級別中的每個級別，將所述比率與第一預定的下限閾值進行比較，如果所述比率小于第一預定的下限閾值，則將峰值級別設置為零。應該設置下限閾值，以便排除由隨機波動產生的峰值偽差，并且不會或不可能影響嚴重等級。

發明人還提出：所述方法包括以下步驟：計算所述峰值級別的和或加權和并輸出與軸承缺陷的嚴重等級的結果等比例的量。已經發現，可通過不僅集中在峰值中的一個峰值而且進一步集中在峰值的更高諧波上來提高所述方法評估嚴重程度的可靠性。

根據本發明的優選實施例，所述方法包括以下步驟：計算所述峰值級別的和、加權和或平方根之和；將所述結果與至少兩個閾值進行比較，從而將缺陷嚴重程度歸類為至少三種等級；輸出結果；

在本發明的優選實施例中，所述至少兩個閾值是從存儲裝置讀取的取決于應用的設置。所述至少兩個閾值能夠歸類為嚴重程度的紅色-黃色-綠色(rag)級別，其中，所述級別的含義如下：

紅色＝在短期內高于風險閾值

黃色＝高于中/長期的風險閾值

綠色＝無動作。

根據本發明的另一方面，確定在預定數量的整數倍的所述缺陷中心頻率的附近的信號頻譜的峰值振幅的步驟至少包括三個步驟，如下。第一步驟：設置使用缺陷中心頻率的預定數量n的第一寬度的頻帶，其中，第一頻帶包括缺陷中心頻率，第二及其隨后頻帶包括將整數倍的缺陷中心頻率作為它們各自的窗口中心頻率。在本發明的優選實施例中，倍數是直至最大值的順序自然數，優選在3和5之間。第二步驟：針對頻帶中的每個頻帶，確定在各自的頻帶內的信號頻譜的局部最大值。第三步驟：使用在所述局部最大值處的信號頻譜的振幅來確定在所述頻帶中的每個頻帶內的信號頻譜的峰值振幅。針對峰值檢測的數據處理可因因此集中到有限集合的頻帶。

對于該應用的典型cm配置的加速度包絡(ge)頻帶3(500hz至10khz)測量應該設置為fmax在預期速度范圍的最高速度時至少涵蓋高達5倍的bpfi，特別是對于鐵路應用。

為了確保可靠結果，優選速度測量具有5％或更小的精度，最優選2％或更小的精度。可速度可以基于gps速度除以輪胎直徑來計算。

測量的可靠性可以通過將測量控制在特定的、取決于應用的速度帶或者通過例如經由使用gps將測量控制在速度穩定性(起始端增量速度)、位置相關控制而被提高。

在本發明的優選實施例中，傳感器數據是從500hz至10khz的頻帶內的加速度包絡(ge)頻帶-3數據。

狀態監控結果的質量可通過采集觸發(即，僅運行在跌路軌道的好的軌道段時使用的數據)和/或通過對設定數量的緩沖測量進行統計過濾來進一步改進。此外，頻帶可以限于軸承缺陷頻率的周圍，其中，相關頻帶限定地越可以更精確，則可越準確地預測軸承缺陷頻率。

本發明的另一方面涉及一種被配置為執行上述方法的數據處理裝置。

在本發明的優選實施例中，數據處理裝置被集成在附著在軸承特別是鐵路軸承的無線傳感器節點中。

本發明的另一方面涉及一種滾動軸承，所述軸承包括被配置為測量軸承圈的振動的傳感器和以上提到的數據處理裝置，其中，所述數據處理裝置被配置為按照上述方法對由所述傳感器獲得的傳感器數據的數據樣本進行處理。

最后但并非最不重要，本發明提供一種用于包括至少一個滾動軸承、用于測量滾動軸承圈中的至少一個圈的振動的傳感器和對以上數據進行處理的數據處理裝置的機器或復雜裝置的狀態監控系統以使用從傳感器獲得的振動數據來確定振動狀態嚴重級別。當傳感器必須位于與軸承圈足夠近的機械接觸以測量其上的振動時，數據處理裝置可位于遠處，例如，在機器的駕駛室內。

根據本發明的優選實施例的振動嚴重程度模型提供了一種基于振動加速度包絡(ge)測量的自動化軸承振動狀態嚴重程度分級(sr)值，優選地僅基于ge測量，然后取決于終端用戶風險規格，所述規格將這樣的嚴重程度分級轉換到紅色、黃色和綠色(rag)類別。在稍后階段，可以將統計、磁滯或狀態邏輯應用于rag，以提高特別是在從變化或噪聲環境獲取測量的情況下的可靠性。

通過他們的經驗，發明人已針對軸承功能故障的早期使用加速度包絡(ge)測量建立了基于較小振幅和更定性的有用的嚴重級別標準。

由于創建和驗證紅色黃色綠色(rag)嚴重程度算法的時間尺度和軸承類型(即，客運軌道)，本發明提供了一種能夠以短延遲處理數據的自動化實現方式。

本發明的上述實施例以及權利要求和附圖以特定組合示出了本發明的多個特征。本領域技術人員將能夠容易地考慮到將這些特征進一步組合或這些特征的子組合，以使如權利要求中所限定的本發明適于他或她的具體需要。

附圖說明

圖1是根據本發明的配備有狀態監控系統的機器的示意圖；

圖2是根據本發明的檢測軸承缺陷嚴重程度的方法的流程圖；

圖3是具有缺陷中心頻率和相關頻帶的諧波的信號光譜。

具體實施方式

圖1是包括軸承10的機器的示意圖，軸承10具有內圈10a、外圈10b和布置在內圈10a與外圈10b之間的至少一排滾動體10c，其中，滾動體10c在內圈10a的內滾道和外圈10b的外滾道上滾動。軸承10配備有加速度傳感器12，加速度傳感器12被配置為測量軸承10的外圈10b的振動。

所述機器配備有根據本發明的狀態監控系統，所述狀態監控系統包括傳感器12、數據處理裝置14和信號輸出裝置12(諸如，警告燈或監控器)。由傳感器12獲得的傳感器數據包括背景噪聲和經過滾動體12c的規則的、準周期性的、頻率負載相關的貢獻。

在圖1的實施例中，數據處理裝置14通過線路連接到傳感器12。然而，傳感器數據可以以無線方式發送或者數據處理裝置14可連同傳感器12集成為單個單元，其中，數據處理的結果(缺陷嚴重程度分級)可經由設置在所述單元中的和/或使用有線或無線數據連接的燈或lcd顯示器輸出。

在內圈10a的內滾道上、外圈10b的外滾道上或滾動體10c之一的滾動表面上存在缺陷的情況下，該缺陷會生成聲激波(acousticshockwave)，該聲激波從外圈10b擴散至傳感器12并導致傳感器信號中的峰值。

這些峰值以固有頻率周期性地重復，其中，所述固有頻率與軸承圈的相對旋轉速度成比例并且取決于缺陷的性質。從外滾道上的缺陷產生的沖擊波的重復率是外圈故障頻率(bpfo)，從內滾道上的缺陷產生的沖擊波的重復率是內圈故障頻率(bpfi)，從滾動體表面上的缺陷產生的沖擊波的重復率是滾動體旋轉故障頻率(bsf)。在這些重復率與軸承運轉速度(rpm)之間的比例系數也被稱作運轉速度的階do，并且該比例系數取決于各種直徑并可利用幾何考慮而推斷出。

以下描述受限于在外滾道上的缺陷的嚴重程度的檢測和評估，但是如果期望，本發明可很容易地延伸至其它缺陷類型或組合的多種缺陷類型。

圖1的狀態監控系統的數據處理裝置14讀取由傳感器12獲得的傳感器數據的數據樣本，并使用根據本發明的用于檢測軸承缺陷嚴重程度的方法來處理這些數據樣本，這將在圖2中更詳細地示出。

在步驟100，數據處理裝置14獲得軸承的旋轉速度(rpm)，并在步驟s100，獲得由振動傳感器12獲得的傳感器數據中的長度為2ⁿ的數據樣本。可由數據處理裝置14從傳感器數據中推斷出旋轉速度(例如，通過測量bpfo并從中計算旋轉速度)，或者可單獨地提供旋轉速度。

所述方法隨后繼續進行可選預處理(濾波、漢寧窗等)的步驟s101，并隨后將所述數據樣本通過應用傅里葉變換(優選快速傅里葉變換)從時域轉換到頻域以獲取信號頻譜。

在本發明的一個實施例中，傳感器數據可作為2ⁿ個樣本(s)和數秒的采集時長(t)的ge波形被輸入。所述輸入通過先應用漢寧窗隨后應用返回幅值陣列(fftm)的快速傅里葉變換(fft)從時域轉換到頻率。如果需要的話，結果可選擇性地進行縮放或利用校正因子。

所產生的數據頻譜具有很多fft值v＝s+1，奈圭斯特頻率(最后值)f＝s/(tx2)并且每行fft的delta頻率fd＝1/t(注意，第一值為0赫茲)。

在接下來的步驟s102，所述方法利用旋轉速度rpm通過使如上所述獲得的旋轉速度乘以預定比例系數do檢測出軸承10的缺陷中心頻率cf。

在設置有軸承缺陷(諸如bpfo和bpfi)的情況下，運轉速度的階為do，rpm的速度為n，軸承缺陷頻率由下式確定：

缺陷中心頻率(赫茲)：cf＝doxn/60

所述方法隨后繼續進行步驟s103，并計算至少包括缺陷中心頻率cf及其五倍值5xcf的全部頻帶的總振動能量。

所述方法隨后在步驟s104限定將被分析的頻帶w1至w5的序列，以便識別出在預定整數倍的所述缺陷中心頻率的周圍的信號頻譜的峰值振幅。

為此，設置使用缺陷中心頻率cf的預定數量n的第一寬度的頻帶。第一頻帶w1包括缺陷中心頻率cf，第二以及隨后的頻帶w2、…、w5包括將整數倍的缺陷中心頻率2xcf、…、5xcf作為它們各自的窗口中心頻率。頻帶w1至w5的寬度被表示為各個窗口中心頻率cf至5xcf的百分比，在可選實施例中，還可具有其它的函數依賴或者信號的樣本長度、采樣率和/或時間間隔。

在本發明的優選實施例中，倍數是最大為5的自然數，即，窗口中心頻率與bpfo、2*bpfo、3*bpfo、4*bpfo和5*bpfo。通常，通過僅考慮缺陷的基波分量/頻率的前五階，可獲得在確定軸承的滾道缺陷嚴重程度的滿意結果。

換句話說，內設置有百分比+/-帶寬(bw)來提取1階缺陷振幅和2階缺陷振幅，頻帶w1至w5的邊界作為fft振幅矩陣索引由下式給出：

1階低邊界bl1＝round(cfx(1–bw/100)/fd)

1階高邊界bh1＝round(cfx(1+bw/100)/fd)

2階低邊界bl2＝round(2xcfx(1-bw/100)/fd)

2階高邊界bh2＝round(2xcfx(1+bw/100)/fd)

直至第五階。

圖3中示出具有缺陷中心頻率cf和相關頻帶w1至w5的諧波的典型信號頻譜。

如果嚴重程度評估是針對多種缺陷類型并行執行，則可針對do的相關值重復執行步驟s102和s103。

在圖2中的步驟s105，可針對頻帶w1至w5中的每個頻帶確定在各個頻帶w1至w5內的信號頻譜的局部最大值并識別為頻率峰值。如果在表示頻譜的陣列數據中的振幅具有比該值小的兩個臨近值，則檢測出局部最大值。如果波動寬度高，則可在定位最大值之前使用適當的濾波器對所述數據進行預處理。位于頻帶的邊緣的最大值應被丟棄。

在優選實施例中，按照如下步驟來實現局部最大值的檢測：

在如上定義的每個頻帶內，計算在邊界內的最高峰值的兩個最高相鄰值的平方根之和(rootsumsquared,rss)。

為了避免選擇頻帶的邊界的邊緣值作為峰值(諸如，當邊界處于谷地)，如果在頻帶內的最高值是邊緣值之一，則該值轉變為0。

這將重復執行：如果在頻帶內的最高值是邊緣值之一，則該值也轉換到0。

剩余最高值被認為是峰值最大值。

另外，以上描述的“掃描搜索”方法可被用于識別頻帶內的最大值。

一旦識別出最大值，則使用在所述局部最大值處的信號頻譜的振幅來確定在每個所述頻帶內的信號頻譜中的每個頻率峰值的峰值能量。可通過計算在窄頻帶(頻帶中心為局部最大值)的振幅集合的平方和來計算峰值，例如，最大振幅和在其兩個鄰近頻率窗口的振幅的平方和。

其它已知的峰值識別算法可用在本發明的可替換實施例中。

用于峰值檢測和峰值能量計算的數據處理可因此被集中在有限集合的頻帶。針對在步驟104中識別出的頻率峰值中的每個頻率峰值來執行所述峰值能量計算。

在隨后的步驟s107，使用頻率峰值的所述峰值能量通過對各個峰值能量求和來計算軸承缺陷頻譜能量以及軸承缺陷頻譜能量與總振動能量之間的比率。

在嚴重程度評估步驟s108，比率作為嚴重程度級別輸出到存儲裝置、數據記錄器(datalogger)或遠程狀態監測服務器。

隨后將所述比率與至少兩個閾值進行比較，從而將缺陷嚴重程度歸類為至少三個嚴重程度等級，并將結果輸出。所述至少兩個閾值是從存儲裝置讀取的取決于應用的設置。

所述至少兩個閾值能夠將缺陷嚴重程度歸類為嚴重程度的紅色-黃色-綠色(rag)等級，其中，綠色等級對應于比兩個閾值都低或等于兩個閾值中的下限的值，黃色等級對應于在兩個閾值之間的值，紅色等級與包括這些閾值中的較高閾值的閾值都高的值。

可以改變這些閾值以適合與特定應用相關的所述可接受的風險級別，并具有可靠的檢測/診斷，即具有適當低的漏報和誤報。

發明人還提供了一種根據本發明通過將合適警報或rag狀態邏輯應用到最新的數據集(最后幾次測量)來提高狀態監控警報方法的可靠性。可通過統計方法(即，分布)、通用“輸入輸出滯后(inandouthysteresis)”或“最大程度”5、7、11方法來實現這些。由于在監控軌道車軸軸承時測量中的車輪間軌道噪聲的類型和發生分布，“最大程度”方法已證明比“輸入輸出滯后”方法更令人滿意。

嚴重程度分級值通過算法根據測量特性確定并且范圍從1(新)到10(軸承損壞)。rag級別通過另一種算法根據sr值、應用(考慮測量位置、缺陷敏感性、速度、載荷等)以及由終端用戶或應用標準提供的可接受的操作風險限度來確定。操作風險定義為在給定操作期內的“功能故障”的概率乘以這種“功能故障”的后果，通常表示為財務價值或作為概率x后果的3x3至5x5矩陣的結果。

本發明提供了一種用于狀態監控的可靠數據處理方法，該方法適用于來自已知用于獲得乘客軌道車軸軸承數據、貨車端蓋傳感器數據的傳感器單元或為了售后目的的改進傳感器單元的ge頻帶3數據。本發明適用于采用加速包絡頻帶-3標準的任何狀態監測系統，并且可以轉移到用于軸承的其它傳感器節點。本發明通過檢測軸承的外滾道或內滾道上的缺陷以及通過保持架缺陷或完整性問題檢測先進的軸承故障，能夠在早期檢測軸承滾道故障。此外，本發明能夠可靠地檢測滾動元件缺陷。此外，本發明能夠可靠地檢測滾動元件缺陷。

作為輸出，本發明提供可靠的ge測量嚴重程度分級，例如，從1到10以及嚴重程度分級的紅色，黃色，綠色歸類，其中：

通過簡單地設置所采用的閾值，可以通過簡單的方式將嚴重程度分級和紅色、黃色、綠色歸類適應于取決于應用的風險規范。