研究背景
轴承作为工业和日常生活应用中的重要部件，对旋转机械的长期可靠运行起着至关重要的作用。一旦轴承出现故障，除了影响机械的性能和寿命外，还会造成经济损失甚至人员伤亡。轴承的故障可能是由疲劳、润滑不足、污染等引起的。随着物联网和大数据处理技术的发展和广泛应用，出现了一些智能轴承原型。然而，这些轴承需要额外的传感器和系统并依赖于外部供电，这大大增加了结构的复杂性，限制了它们的大规模应用。
摩擦纳米发电机（TENG）基于接触通电和静电感应原理，能有效地将机械能转化为电能，自提出十多年来已经取得了明显的技术进步。由于其对机械激励的高灵敏度，摩擦电传感器已成为实际应用中最受欢迎和最有前途的研究方向。基于TENG的轴承传感器虽已应用于各种状态监测，但对轴承滚动体的探索较少。滚动体作为一种易损部件，其缺陷的准确诊断对于轴承寿命预测和健康监测具有重要意义。然而，摩擦电滚动轴承在滚珠部分缺陷时的输出信号非常相似，这对轴承滚珠的状态监测和故障诊断提出了挑战。因此，如何获取缺陷信息并区分相似信号是亟需解决的问题。
文章概述
近日，大连海事大学徐敏义教授团队尝试直接在商用滚动轴承中安装摩擦电组件（T-bearing）来感知滚珠的缺陷，并将其应用于轴承的故障诊断。在该设计中，覆盖有聚四氟乙烯介电膜的柔性插指铜电极作为摩擦电感知层贴附着在轴承外圈内表面。当轴承旋转时，聚四氟乙烯膜与滚动钢球摩擦产生电信号，然后通过插指电极进行信号输出。钢球与感应层的直接接触更有利于两个配对摩擦副的接触电气化，从而产生稳定的电信号，并使传感信息更加完整，进而提高T-bearing对钢球状态变化的灵敏度。在此基础上，首次引入信号分解算法来提取相似时域电信号的特征。然后借助自动机器学习模型训练这些包含故障信息的特征分量，对各种轴承滚珠缺陷进行分类和识别。结合两种算法，成功地检测和识别了轴承滚珠的5种工况，包括正常、一球缺陷、两球相对位置缺陷、两球相邻位置缺陷和介电膜破损。结果表明，通过信号分解算法提取故障特征后的滚珠缺陷识别准确率达到99.48%以上，大大高于原始相似信号的准确率78.34%。该研究验证了摩擦电技术用于轴承滚动体缺陷检测的可行性，以及AI算法在提高摩擦电传感器精度方面的潜力，其在智能轴承领域显示出良好的应用前景。
该成果以“Triboelectric Nanogenerator-embedded Intelligent Bearing with Rolling Ball Defect Diagnosis via Signal Decomposition and Automated Machine Learning”为题发表在国际知名期刊《Nano Energy》上。大连海事大学博士研究生董方阳、硕士研究生杨恒一为论文的共同第一作者，大连海事大学徐敏义教授与杜太利副教授为论文通讯作者。大连海事大学硕士研究生杜恒旭、朱梅贤、席子岳与王玉莲参与了论文的相关研究工作。
图文导读
图1：T-bearing的结构及工作原理。(a)T-bearing的实际照片和(b)组成示意图。(c)感知层的特写照片。(d)T-bearing的装配图。(e)TENG组成和(f)工作原理。
图2：T-bearing的仿真模型与实验过程。(a)COMSOL仿真的初始设置和(b)电极之间的周期性电位变化。(c)旋转一圈过程中的模拟电压。(d)测试平台的照片。(e)数据获取的流程。(f)电机转速为60rpm时T-bearing的VOC。(g)不同转速下的VOC。(h)T-bearing在31859个周期后的电压信号和初始电压信号的比较。
图3：不同故障下T-bearing电压信号的时频域比较:(a)正常，(b)一球缺陷，(c)两球相对位置缺陷，(d)两球相邻位置缺陷，(e)PTFE介电膜破损。(f)相似信号的相关性热图。
图4：摩擦电信号的分析与预测。(a)STL分解过程示意图。(b)STL分解T-bearing电压信号的三个特征分量。(c)BO过程的可视化。(d)AutoML和BO组成的直接递归预测框架。
图5：AutoML模型的预测结果。(a)不同输入数据长度下各特征分量的模型精度。(b)最终优化参数下SE模型的预测精度。(c)来自AutoML的最佳模型类型分布图。(d)、(e)、(f)不同输入数据长度对原始电压信号的预测精度。
总结
- 综上所述，该研究提出了一种摩擦电传感器内嵌式滚动轴承（T-bearing）用于滚珠缺陷的检测和识别。在轴承外圈内表面贴附由聚四氟乙烯介电膜和插指铜电极组成的摩擦电感知层，使T-bearing具有稳定的输出性能和最直接的输出信号。对不同转速下的输出特性以及正常和故障状态下的传感信号进行了系统的测量和分析。针对滚动钢球的缺陷诊断，提出了一种新的摩擦电信号分析与预测范式，实现了最优输入长度和数据特征的动态选择。首次将STL分解、AutoML模型和BO算法结合起来，对T-bearing试验过程中产生的摩擦电信号进行分析。引入STL提取由轴承滚珠缺陷引起的相似时域电压信号的特征。再利用AutoML模型对包含故障信息的特征分量进行训练，完成对正常工况和不同故障的分类和识别。将BO算法应用于参数动态优化后，最佳模型对5种不同工况的识别准确率为99.48%，大大优于不进行信号分解的最高准确率78.34%。因此，该研究推进了轴承的智能化，提高了易受环境影响的摩擦电信号的故障诊断精度。
转载链接：
