大型滚动轴承的故障与寿命研究

大型滚动轴承整体结构尺寸大，普遍存在偏载、变载、润滑不良等复杂工况，其力学特性、故障模式以及寿命等具有特殊性。作者从大型滚动轴承结构和工况特点出发，评述了轴承结构力学分析、测试与监测、故障模式、寿命与故障剩余寿命等方面的代表性研究成果，进而探讨了大型滚动轴承这几方面内容后续研究的具体思路。

作者首先对大型滚动轴承的典型应用（风电机组、隧道掘进机刀盘、大轴重铁路货车）中的轴承结构特点进行了介绍，接着分析了大型滚动轴承的结构力学、测试与检测技术的国内外研究现状。这里重点对大型轴承的故障和寿命的相关研究进行分享。

图6 轴承寿命示意图

Fig.6 Diagram of bearing life

一、典型故障模式

目前，工程中常见的风电机组转盘轴承失效模式主要有套圈断裂、保持架断裂、保持架磨损、密封圈漏脂等，如图7所示。

图7 风电机组转盘轴承的典型故障形式

Fig.7 Typical fault mode of wind turbine slewing bearing

掘进机主轴承的故障主要有齿圈断裂、密封失效等，如图8所示。

图8 掘进机主轴承的典型故障形式

Fig.8  Typical fault mode of main bearing for TBM

铁路货车轴承的故障形式主要有2类：1)由于轴承受挤压以及摩擦载荷的周期性作用，滚道表层下方的组织出现疲劳并产生细微裂纹，随着微裂纹的逐渐扩展最终产生由内而外的剥落；2)由于密封不良和润滑劣化导致的过热故障(图9)，约占总故障的72%，这是导致铁路货车轴承实际使用寿命缩短的关键原因，故障加剧时甚至会引发切轴等重大事故。

图9 铁路货车轴承过热故障示意图

Fig.9 Overheating fault diagram of railway freight bearing

此外，滚道和滚动体表面的轴向裂纹和次表面的白蚀裂纹( White Etching Crack , WEC)被认为是造成轴承过早失效的根本原因，风电齿轮箱轴承经常会出现此类故障，该方面的研究得到了轴承行业、工程技术界和学术界等多领域研究人员的高度重视。无论表现方式如何，轴承的早期失效总是遵循短板原则：当润滑不良或接触面不光滑时，接触表面为短板，轴承失效往往由表面磨损等引起；当润滑良好时，次表面为短板，轴承失效则往往由次表面处的材料缺陷或应力集中所引起。大尺寸轴承容易发生大的局部变形，导致严重磨损以及局部应力集中，进而导致轴承故障，发生提前失效。

二、轴承寿命研究现状

2.1  国外相关研究

国外对滚动轴承疲劳寿命的研究开始较早，特别是SKF，FAG和NSK等大型轴承企业及NASA等科研机构，已经形成了一套比较完善的理论。目前，常用的滚动轴承疲劳寿命理论有L-P寿命理论，I-H寿命理论，Zaretsky寿命理论。

1947年至1952年，文献[70]基于韦布尔理论提出了L-P寿命理论，通过生产实践的不断修正，最终被ANSI/ABMA/ISO等标准采纳。1985年，文献[71]在L-P寿命理论的基础上，将极限疲劳剪切应力的概念引入滚动轴承疲劳寿命的研究中，提出了一种新的滚动轴承疲劳寿命理论，并于1990年通过对涡轮发动机主轴球轴承的研究最终确立了I-H寿命理论。文献[73]通过对滚动轴承材料和滚动体疲劳寿命数据的大量研究，分开考虑应力-寿命系数和韦布尔系数，重新建立轴承失效概率函数并提出了一种新的轴承疲劳寿命理论。在理论分析上，L-P寿命理论和I-H寿命理论都建立在韦布尔分布的基础上，而Zaretsky则是重新建立了韦布尔分布函数。2012年，文献[74]忽略轴承支承及套圈变形对滚动体上载荷分布的影响，将静强度理论引入轴承疲劳寿命模型，获得了大型转盘轴承的疲劳寿命，与ISO结果的对比验证了该模型的准确性。2016年，文献[75]基于NREL设计指南中的风电机组变桨、偏航轴承标准，利用Romax软件计算2.5 MW风电机组变桨、偏航轴承的寿命，结果表明使用NREL指南计算的寿命值比使用Romax软件得出的值更保守。尽管NREL设计指南与Romax分析结果存在一些差异，但由于NREL设计指南具有简单性和保守输出特性的优点，可将其用于变桨轴承和偏航轴承的初始设计。

从上述理论中可以看出，相互作用零件间的接触应力-应变特性是影响轴承疲劳失效模式的主要原因。因此，学者们进行了基于弹性动力学理论的疲劳失效机理研究：文献[76]基于弹流动力润滑理论首先获得了线接触两弹性体次表面三坐标方向上的主应力与切应力，接触表面正压力与摩擦力的力学关系；文献[77]研究发现次表层最大剪应力随着疲劳累积逐渐向表层移动，由于安装损伤、表面夹杂物和润滑污染导致的应力集中，使萌生于次表层最大应力处的裂纹加速向表面扩展，形成麻点、剥落等故障；文献[78]基于弹性动力学理论进一步优化设计了普通轴承的疲劳寿命；文献[79]基于弹塑性理论建立了球与沟道接触有限元模型，首次获得了两零件接触区的应力分布；文献[ 80]针对大型三排圆柱滚子轴承，考虑轴承的几何参数，计算了轴承动态承载时的内部接触应力分布，将滚道的接触疲劳失效作为轴承寿命的判据。

在对轴承失效机理进行分析的基础上，学者们通过考虑特定因素对轴承寿命的影响进一步完善轴承寿命模型；文献[81]引入Archard磨损模型和Lemaitre损伤模型，并与加速寿命试验相结合提出了利用少量材料表征试验进行轴承寿命预测的可靠方法；文献[82]研究了经过精密硬车削、磨削加工的轴承套圈的表面完整性对疲劳寿命的影响；文献[83]基于蠕变机理的表面损伤积分，将轴承局部摩擦引起的轴承异常生热引入轴承寿命的计算；文献[84]基于试验分析得到的高承载和振荡运动条件下的磨损信号和摩擦力矩的变化规律，提出了能够表征轴承剩余寿命的退化模型；文献[85]提出了一种同时考虑工况参数和工况监测信号的韦布尔加速失效时间回归(WAFTR)模型进行轴承寿命预测；文献[86]提出以滚道表面生存概率为核心的滚动接触基本寿命计算的新方法。

2.2  国内相关研究

国内的相关研究主要是考虑不同因素对大型滚动轴承的疲劳寿命模型进行修正：文献[87]基于统计学理论分析了大型滚动轴承的疲劳寿命及其可靠性，结果表明大型滚动轴承疲劳寿命服从三参数的韦布尔分布，为其寿命及可靠性评价提供理论指导；文献[88]考虑轴承润滑和游隙变化，对轴承寿命计算理论进行了修正；文献[89]引入了偏航、变桨轴承在轴向力、径向力和倾覆力矩共同作用下的影响，计算了考虑偏航、变桨轴承内、外圈疲劳寿命的轴承整体疲劳寿命；文献[90]针对双列四点接触球轴承的受力特点，提出了考虑轴向载荷、径向载荷和倾覆力矩的轴承应力分布计算方法，基于L-P寿命理论计算了当量动载荷和额定动载荷下的轴承寿命。

三、轴承状态评价与剩余命预测研究现状

轴承状态评价与剩余寿命预测是进行轴承视情维修，及时发现问题，减少经济损失的主要途径。

3.1 状态评价

基于振动信号的轴承故障诊断与预测是判断轴承退化状态的常用方法：文献[4]对轴承故障信号的本征模态函数进行快速傅里叶变换获得了满意的诊断效果；文献[5]基于多域特征、改进的距离判别技术和改进模糊自适应共振理论映射(A-daptive Resonance Theory Map，ARTMAP)提出了一种新的兼具鲁棒性和稳定性的轴承故障智能诊断方法；文献[6]利用主成分分析( Principle Compo-nent Analysis，PCA)和人工神经网络( Artificial Neural Network，ANN)分别结合重标极差法和去趋势波动分析法对不同转速和外载荷工况下的3种损伤程度轴承故障进行诊断，结果表明4种算法组合都能有效地进行故障监测和诊断。

然而，上述成果中涉及的轴承故障均为人为预制故障，与轴承实际运行过程中出现的故障不符，无法对轴承运行状态进行有效划分。因此，需要对跑合过程中的轴承零件进行分析，以获得真实的轴承运行状态。文献[91]在对工作次表面形貌直接分析的基础上，将滚动轴承损伤退化过程分为跑合、平稳和非稳态3个阶段；文献[92-93]进一步将损伤退化过程划分为跑合、平稳、损伤发生、损伤演化、损伤发展5个阶段，并对已有的研究和试验工作进行了总结梳理，为故障与寿命的关系分析提出了新思路，还指出实际过程中的故障信号形式与仿真结果不同，需要针对不同的磨损演化过程建立特定的故障诊断、评估和预测方法。

3.2  剩余寿命预测

现有的轴承寿命预测分为基于物理模型和基于数据驱动的2类方法。基于物理模型的方法通过弹性断裂力学和疲劳裂纹扩展理论进行轴承失效机理分析，建立轴承寿命模型，利用模型预测轴承有效剩余寿命，并通过修正模型参数提高预测精度。文献[94-95]首先提出轴承疲劳裂纹扩展模型，文献[96]将该模型从一维扩展到二维，文献[97]通过分析指出传统的裂纹扩展模型无法满足带有碎裂问题轴承的寿命计算，文献[98]考虑非线性随机问题提出了基于裂纹扩展的轴承剩余寿命预测方法。此外，文献[99]提出了带有碎裂萌生的轴承的接触疲劳失效寿命预测方法。上述基于物理模型的轴承剩余寿命预测由基于材料疲劳破坏的寿命设计准则获得，未考虑轴承故障产生及其退化，直至失效所引起的寿命损失，以及相应的故障剩余寿命。

基于人工智能与统计的轴承寿命预测方法属于数据驱动方法。其中，人工智能方法通过智能算法的优化组合，利用机器学习算法对获得的数据进行拟合，获得轴承全寿命过程的演化规律，通过设定合理阈值进行轴承寿命预测。文献[100]提出了一种基于支持向量机(SupportVectorMa-chine ，SVM)的轴承剩余寿命预测方法，分别利用仿真和试验数据训练SVM，结果表明训练获得的SVM能够预测轴承失效时间；文献[101]将关联向量机和逻辑回归结合，提出了一种新的预测方法以评估故障劣化和剩余寿命，并利用单套轴承的仿真和试验数据对预测效果进行验证。神经网络是一种被广泛应用于预测技术的智能算法：文献[102-103]分别利用反向传播神经网络(Back Propagation Neural Network，BPNN)进行了轴承剩余寿命预测；文献[104]基于韦布尔分布和人工神经网络进行轴承故障预测与健康管理研究，提出了一种精确的轴承剩余寿命预测方法；文献[105]基于振动信号，采用高斯隐马尔科夫模型( Gaussi-ans Hidden Markov Model，GHMM )进行轴承特征提取以及剩余寿命的预测;文献[106]通过时域特征参数对人工蚂蚁聚类进行训练获得轴承性能退化状态，利用隐马尔科夫模型( Hidden Markov Model，HMM)进行轴承寿命预测；文献[107]基于时域、频域和小波包分解特征，利用隐马尔科夫模型进行轴承故障诊断和剩余有效寿命预测；文献[108]基于隐半马尔科夫模型( Hidden Semi-MarkovModel，HSMM)通过实时数据处理获得轴承所处状态以及状态转移的概率，完成轴承剩余寿命预测。

统计法基于轴承状态和响应数据对轴承运行趋势进行预测，获得轴承剩余寿命分布曲线。然而，由于工作环境和测试技术的限制，轴承运行状态无法直接测量，仅能通过与轴承运行状态相关的响应参数(如振动信号、温度)间接反映轴承性能退化过程。由于轴承状态退化过程涉及到多个物理量，单一的测量、特征参数不能全面反映轴承退化状态，需要融合多个物理量进行轴承性能退化状态的评价，并引入寿命模型进行剩余寿命预测。而且，对于大型滚动轴承其失效、破坏往往来自于故障，几乎看不到因材料疲劳所引起的寿命终止，然而并未见到考虑故障进行大型滚动轴承剩余寿命预测的相关报道。因此，大型滚动轴承的寿命预测应该在多物理量测试的基础上，结合故障诊断、故障失效模式和退化机制开展。

（参考文献略）