Diagnos av lagerfel med hjälp av Dewesofts vibrationsanalysverktyg

Lager är grundläggande mekaniska komponenter i roterande maskiner, utformade för att minska friktion mellan rörliga delar och för att bära både radiella och axiella laster. Det finns olika typer av lager, inklusive rullningslager och glidlager, var och en med sina specifika användningsområden och egenskaper.

Lagerdiagnostik är avgörande för att säkerställa maskiners tillförlitlighet och effektivitet. Avancerade metoder, såsom vibrationsanalys och ultraljud, möjliggör tidig upptäckt av defekter och slitage, vilket hjälper till att förebygga oväntade haverier och kostsamma driftstopp.

Vidare optimerar implementeringen av prediktiva underhållssystem, baserade på kontinuerlig övervakning och dataanalys, underhållsåtgärderna, minskar kostnaderna och förbättrar den totala produktiviteten.

Sammanfattningsvis är förståelsen av lagrens funktion och tillämpningen av effektiva diagnostikstrategier avgörande faktorer för proaktivt underhåll och för att optimera prestandan hos industrimaskiner.

Kontexten - Doktorandprojekt

Diagnostik av rullningslager utgör en central del av mitt treåriga doktorandprojekt vid Universitetet i Parma (Università degli Studi di Parma). Projektet är inriktat på vibrationsbaserad övervakning av maskiner inom ramen för Industri 4.0.

Syftet med forskningen är att utveckla avancerade metoder för tidig felupptäckt och prediktivt underhåll, med särskilt fokus på att tillämpa vibrationsanalys för att öka tillförlitligheten och effektiviteten hos industriell utrustning. Projektet ligger i linje med de övergripande målsättningarna för smart tillverkning, där kontinuerlig tillståndsövervakning utgör en nyckelfaktor för att optimera prestanda och minimera driftstopp.

För detta ändamål har universitetet konstruerat en testrigg avsedd att undersöka lagerdiagnostik under kontrollerade förhållanden. Riggen består av en elmotor som driver en axel, stödd av två fasta lager samt ett överhängande lager (typ 6005 SKF), vilket utsätts för varierande laster och arbetar vid olika varvtal.

En andra motor är placerad framför den första, vilket gör det möjligt att fungera som broms och därigenom belasta lagret med olika vridmoment.

Mätkedjan

Mätsystemet som utformats för denna studie är konstruerat för att säkerställa högkvalitativ insamling av vibrationssignaler från det undersökta lagret. Kedjan inleds med en PCB 333B30-accelerometer, en högkänslig piezoelektrisk sensor specifikt framtagen för vibrationsövervakning. Centrala egenskaper hos PCB 333B30 är:

• Känslighet: 100 mV/g

• Mätområde: ±50 g peak

• Frekvensområde: 0,5–3 000 Hz (±5%)

Accelerometern monterades stabilt i närheten av 6005 SKF-lagret för att möjliggöra noggrann registrering av vibrationer direkt kopplade till dess driftförhållanden. En andra accelerometer placerades på kragen till ett fast stöd och användes som referens för att övervaka testriggarnas övergripande beteende.

Accelerometersignalen konditioneras och digitaliseras av datainsamlingsmodulen IOLITE-8xACC. Denna enhet är konstruerad för högprecision vid accelerationsmätningar och erbjuder följande centrala funktioner:

• 8 ingångskanaler för ICP (Integrated Circuit Piezoelectric) eller IEPE (Integrated Electronics Piezo-Electric) sensorer

• Samplingsfrekvens upp till 20 kHz per kanal

• 24-bitars ADC-upplösning

• Protokoll: EtherCAT, vilket möjliggör datatransmission, synkronisering och strömförsörjning via en enda LAN-kabel

Dewesoft IOLITE-8xACC möjliggör högkvalitativ signalinsamling vid övervakning av lagervibrationer. Dessa signaler är avgörande för att kunna extrahera information i frekvensdomänen.

Tillsammans utgör PCB 333B30-accelerometern och Dewesoft IOLITE-8xACC-modulen en robust och precis mätkedja, som möjliggör effektiv detektion och diagnostik av lageravvikelser under varierande last- och hastighetsförhållanden.

Data acquisition and processing

Programvaran DewesoftX hanterar datainsamlingen och erbjuder en intuitiv plattform för systemkonfiguration, realtidsövervakning, dataloggning och dataanalys. I DewesoftX kan mätkedjan konfigureras så att den motsvarar känslighets- och kalibreringsspecifikationerna för accelerometern PCB 333B30.

DewesoftX innehåller avancerade matematikmoduler för vibrations- och frekvensanalys, såsom Fast Fourier Transform (FFT). Dess sömlösa integration med Dewesoft-hårdvara gör programvaran till en komplett och högprecis verktygslåda för analys av frekvensspektra.

När konfigurationen har slutförts och verifierats övergår systemet till mätningsläge (Measurement Mode). Under denna fas samlades data in i realtid, med kontinuerlig övervakning av tidsdomänsignalerna.

Databearbetning möjliggörs genom tredjepartsprogramvara tack vare det breda utbudet av exportformat i DewesoftX. I detta fall exporterades data i MATLAB-kompatibelt format (.mat) och efter import genomfördes efterbearbetning.

Under efterbearbetningen analyserades vibrationssignalerna i MATLAB för att extrahera felindikerande information.

En central metod som användes var envelopanalys, en signalbehandlingsteknik som utnyttjas för att detektera och analysera högfrekventa spektralkomponenter som är modulerade av lågfrekventa signaler. Metoden är särskilt effektiv för att identifiera karakteristiska fel­frekvenser som annars kan döljas av brus eller komplexa mekaniska interaktioner.

Envelopanalysen kan förbehandlas med hjälp av autoregressiv filtrering eller cepstrum pre-whitening, alternativt ersättas med en kombination av medianfiltrering och differentiering [1].

Flera skadescenarier testades, med utgångspunkt i ett oskadat lager, för att därefter introducera skador på innerringen, ytterringen eller skador av typen brinelling [2].

De insamlade vibrationssignalerna genomgick ytterligare bearbetning innan de matades in i olika maskininlärningsalgoritmer, med syftet att utvärdera deras förmåga att automatiskt detektera och klassificera de olika skadescenarierna.

Advanced analysis with machine learning

I de senare faserna av denna studie tillämpades avancerade metoder baserade på maskininlärning (ML) och djupinlärning (DL) för att förbättra diagnostikprocessen. Istället för att enbart förlita sig på klassiska signalbehandlingsmetoder fokuserar dessa angreppssätt på automatisk extraktion av relevanta egenskaper direkt från råa vibrationsdata för att klassificera lagersystemens tillstånd.

Flera metodologier undersöktes:

• Convolutional Neural Networks (CNNs)
  Användes för att automatiskt identifiera rumsliga och tidsmässiga mönster i vibrationssignaler. Genom att behandla vibrationsdata som 1D- eller 2D-inmatningar kan CNNs upptäcka komplexa felkaraktäristika utan omfattande manuell funktionsteknik.

• Variational Autoencoders (VAEs)
  Implementerades för oövervakad funktionsutvinning. Genom att lära sig en latent och komprimerad representation av insignaler kan VAEs fånga centrala egenskaper hos både friska och skadade tillstånd. Dessa latenta variabler kan därefter användas för klassificering eller anomalidetektion.

• Linear Discriminant Analysis (LDA) i kombination med Support Vector Machine (SVM)
  En hybridmetod där LDA utnyttjades för dimensionsreduktion och optimal funktionsprojektion, följt av SVM för klassificering. LDA förbättrar separationen mellan klasser (t.ex. friska kontra defekta lager), medan SVM tillhandahåller en robust beslutsgräns för högklassig klassificeringsnoggrannhet.

Dessa ML- och DL-baserade metoder utnyttjar både linjära och icke-linjära strukturer i data, vilket möjliggör högre känslighet för subtila felkaraktäristika samt förbättrad generalisering under varierande driftförhållanden. Integrationen av dessa datadrivna tekniker utgör ett betydande steg mot automatiserad och högpålitlig lagerdiagnostik.

Figur 9 visar att LDA och SVM kan generera ett dataset som är enkelt att klassificera baserat på de uppmätta vibrationerna.

Slutsatser

Denna studie presenterar ett heltäckande angreppssätt för lagerfel­diagnostik, där precisa vibrationsmätningar, avancerad signalbehandling och datadrivna klassificeringsmetoder integreras.

Genom användning av en dedikerad testrigg, högupplösta vibrationssensorer (PCB 333B30) och datainsamlingssystemet Dewesoft IOLITE-8xACC kunde tillförlitliga och högupplösta vibrationsdata registreras under varierande driftförhållanden.

Implementeringen av klassiska signalbehandlingstekniker – såsom envelopanalys, medianfiltrering och differentiering – visade sig vara effektiva för att extrahera relevanta felrelaterade signaturer ur brusiga och komplexa vibrationssignaler. Vidare möjliggjorde export av data till MATLAB en flexibel och fördjupad analys av felkaraktäristika.

För att ytterligare förstärka diagnostikförmågan användes maskininlärnings- och djupinlärningsalgoritmer, däribland konvolutionella neurala nätverk (CNNs), variationsautoenkodare (VAEs) och den hybrida modellen LDA-SVM. Dessa tekniker möjliggjorde automatisk detektion och klassificering av lagerfel med minimal manuell inblandning, vilket understryker potentialen för realtidsbaserade och automatiserade system för tillståndsövervakning.

Sammantaget bekräftar resultaten effektiviteten i att kombinera traditionell signalbehandling med moderna AI-baserade metoder för utvärdering av lagerfel. Denna flerskiktade metodik förbättrar inte enbart diagnostisk noggrannhet utan stödjer även strategier för prediktivt underhåll, vilket i förlängningen bidrar till minskade driftstopp, förebyggande av oväntade lagerhaverier samt optimering av maskinprestanda i industriella miljöer.

References

1. Sawalhi, N. (2018). Rolling element bearings localized fault diagnosis using signal differencing and median filtration. Journal of Vibroengineering, 20(3), 1353–1370.

2. Saxena, M., Bannett, O. O., & Sharma, V. (2016). Bearing fault evaluation for structural health monitoring, fault detection, failure prevention, and prognosis. Procedia Engineering, 144, 208–214.