A Study on Diagnosis of Bearings in Incipient Fault Stage Considering Vibration Generation Mechanisms

Abstract

The failure of rolling element bearings is a common fault in rotating machines. These failures can have catastrophic consequences, including fatal injuries and significant financial losses. To mitigate these risks, researchers have explored various ways to detect and prevent bearing failures as early as possible. One promising approach is the use of condition monitoring data; in this approach, vibration data has been found to be particularly effective for identifying and preventing potential failures. However, the use of vibration signals to diagnose bearings at the incipient fault stage is a challenging task, in part due to the gap between the controlled conditions under which research data is often generated and the actual field conditions in which these bearings operate. In particular, fault-related signals are weak and nonstationary; further, they are usually obscured by noise that arises from environmental factors. Additionally, these signals may be complicated or modulated, making them difficult to discern. To properly address these research issues, this dissertation aims at advancing two research thrusts focused on developing techniques for modeling and analyzing vibration signals based on physical phenomena. In Research Thrust 1, a quasi-periodic impulse train model with an impact force function is suggested to brtidge the gap between theory and reality. In this research, a pseudo second-order cyclostationary signal is modeled using the quasi-periodic impulse train model. In order to simulate the dynamic response of a system, considering the physical behaviors in bearings, the impact force function that reflects the change in contact stress is used. Finally, the proposed model is validated by performing signal processing on the synthesized signal, including simulation of the proposed model. The result confirm that an appropriate preprocessing process is essential to diagnose bearing failure at the incipient failure stage, further, that finding the frequency band that contains the failure information is essential for performance improvement. In Research Thrust 2, a new feature extraction method is proposed for bearing diagnosis using vibration signals, namely the linear power normalized cepstral coefficients (LPNCC). The proposed approach is designed to enhance the bearing signal, which is buried in noise that arises from environmental effects, and which contains mechanical phenomena. The proposed method consists of two sequentially executed steps: 1) extraction of the LPNCC and 2) demodulation analysis that is performed by examining the squared envelope spectra (SES). Combined, this approach is called LPNCC-SES. The performance of the proposed method is examined by applying it to both simulation data and experimental cases. The results show a high level of accuracy and robustness in the diagnostic capabilities of the method, making it suitable for use in maintenance and diagnostic routines.

구름 베어링은 회전 기계 및 왕복동 기계의 핵심적인 요소부품으로 회전하거나 진동하는 구조를 지지하며 구성품 간의 하중을 전달한다. 따라서 구름 베어링의 고장은 시스템 전체의 고장으로 이어져 치명적인 인명 피해는 물론 막대한 재정적 손실을 초래할 수 있다. 이에 따라 조기에 베어링의 고장을 관측하고 진단하기 위해 상태관측 데이터를 활용한 많은 연구가 진행되어 왔으며 특히 진동신호를 활용한 진단이 널리 수행되었다. 베어링 초기 결함을 진단을 하는데 있어 어려움을 겪게 하는 이유로 환경 영향으로 인해 발생하는 잡음에 묻혀 있는 약한 결함 신호 및 베어링의 결함 관련 신호의 복잡한 변조를 들 수있다. 이러한 문제를 극복하기 위해 본 연구에서는 베어링 결함신호의 생성원리에에 기반한 신호 모델을 제안하였다. 베어링 신호는 본질적으로 비정상성을 띄며 또한 실제 현장에서 획득한 신호는 복잡하고 다양한 소스에서 발생하는 신호가 조합된다. 이론과 현실 사이의 격차를 해소하기 위해 해석적 신호 모델에 헤르츠 접촉 이론에 기반한 충격 메커니즘을 구현하였다. 시뮬레이션된 베어링 신호에 기어의 결정론적 신호, 회전축의 사인파 신호 및 가우시안 노이즈와 합성된 신호에 대한 전처리 분석을 통해 제안 모델의 타당성을 검증하였다. 이 후, 다양한 잡음 환경에서 여러 변조된 음성 신호를 효과적으로 판별하는 음성인식 방법을 기계시스템에 적용한 고장특징 추출 방법을 새로이 제안하여 캡스트럽에 기반한 특징인자를 추출하였다. 추출된 인자로부터 시간-주파수 영역에서 스펙트럼을 계산하여 효과적으로 베어링의 특성 주파수를 검출하였다. 제안된 방법의 검증을 위해 다양한 잡음 환경에서의 시뮬레이션 데이터와 실험데이터를 사용하였다. 또한 가속수명시험을 통한 데이터를 통하여 조기진단의 효과를 검증하였다.