摘要
以提升机NCF18/600V主轴承为研究对象,针对滚动轴承随机振动系统参数和随机结构尺寸影响下的不确定性问题,开展了滚动轴承振动磨损可靠性研究。首先,基于滚动轴承点蚀故障动力学模型,结合Holm‑Archard滑动磨损方程,建立了滚动轴承振动磨损模型;其次,将振动磨损模型以子程序的形式嵌入ABAQUS有限元软件中,实现了滚动体表面磨损深度及形貌的仿真;然后,联合使用拉丁化分层抽样技术和自适应Kriging代理模型,开展了滚动轴承振动磨损的不确定性量化研究;最后,使用高阶L矩可靠性方法开展了滚动轴承的振动磨损可靠性分析。对比滚动轴承正常磨损与振动磨损下的可靠度曲线表明,滚动轴承的振动不仅加剧了磨损的可靠性退化过程,而且增大了磨损的可靠度退化速率。
NCF18/600V主轴承因径向承载能力大而广泛应用于大型矿井提升机。然而,轴承外圈滚道点蚀故障激励下产生的系统振动会加速滚动体的磨损失效,滚道的点蚀故障会引起滚动轴承较大的位移响应,进而导致滚动体在点蚀故障位置的接触变形量不断增
近年来,国内外对轴承磨损的研究多集中在磨损机理分析及磨损寿命预测方面。文献[
上述研究所建立的轴承动力学模型及采用的磨损试验方法通常认为参数是确定、无误差的。然而,滚动轴承实际工作中不可避免地存在随机因素,这些不确定因素是工程实际中所固有的,对滚动轴承的性能影响不可忽视。传统滚动轴承振动及磨损分析模型忽略了不确定因素的影响,势必会造成一定的分析误
笔者以提升机NCF18/600V主轴承的振动磨损可靠性分析为目标,以建立的滚动轴承振动磨损模型为基础,综合考虑滚动轴承的振动系统参数和零件几何尺寸随机影响因素,进而量化滚动轴承振动磨损的不确定性,并使用高阶L矩可靠性方
外圈滚道的点蚀会导致滚动轴承的强烈振动,进而引起滚动体与滚道间接触力的急剧增加,这将加速滚动体的磨损失效。为了便于滚动轴承振动磨损的建模,滚动体在滚道中的运动被分解为滚动和滑动两种形式。其中:滚动运动形式被假设为仅与滚动轴承振动相关;滑动运动形式被假设为仅与滚动轴承磨损相关。
假设滚动体在滚道上均匀排列,外圈固定,内圈同时受到x轴和y轴方向上的径向力和。如
(1) |
其中:,和分别为内圈、外圈和单元谐振器的质量;,和分别为内圈、外圈和单元谐振器的阻尼;,和分别为内圈、外圈和单元谐振器的刚度;和分别为内圈和外圈在x方向的位移;和分别为内圈和外圈在y方向的位移;和分别为接触力在x方向和y方向的分量;为轴承的振动响应。

图1 滚动轴承5自由度动力学模型
Fig.1 Five degree of freedom dynamic model for rolling element bearing
设滚动轴承节圆直径为,滚动体直径为,内圈角速度为w,则保持架角速度可表达为
(2) |
第i个滚动体在时间t的角位置表示为
(3) |
其中:n为滚动体的数量;为第1个滚动体的初始角位置。
滚动轴承受内圈径向载荷的作用,第i个滚动体在任意角位置的总接触变形量为
(4) |
其中:为滚动轴承的径向间隙;为外圈滚道上点蚀的深度;为判断函数。
其中:为外圈滚道上点蚀所在的位置角。
根据非线性Hertz接触理论,第i个滚动体的接触力为
(5) |
(6) |
其中:为判断函数,。
假设振动磨损为屈服线性磨损过程,即体积磨损率与法向载荷成正比。由Holm‑Archard方
(7) |
其中:V为磨损量;s为滑动距离;K为无量纲磨损系数;H为材料硬度;为法向载荷。
将
(8) |
其中:h为磨损深度;p为法向接触压力。
如
(9) |
其中:E为滚动轴承材料的弹性模量。

图2 滚动体受力后的接触面积
Fig.2 Contact area of rolling element subjected to the force
假设H为常数,则K和H可组合为量纲磨损系数k。
(10) |
节点位移
(11) |
将
(12) |
其中:和分别为滚动体滑动的起始位置和终止位置。
考虑到总磨损深度h与时间t相关,
(13) |
其中:和分别为滚动体滑动的起始时间和终止时间。
将滑动时间分割为若干,。积分按如下规则离散:,,。则
(14) |
在节点l处的节点磨损深度可计算为
(15) |
由于磨损仿真需要大量迭代计算,因此使用外推法测算出每次迭代的最大允许磨损深度,以减少计算时间。每次迭代的最大允许磨损深度为
(16) |
其中:T为初始的外推因子;为介于0和1之间的规定值;为最大接触变形量。
提升机NCF18/600V主轴承5自由度非线性动力学模型的主要参数如
Holm‑Archard方程是基于宏观的接触行为描述磨损的微观形貌。由于材料没有发生宏观上的塑性变形,在ABAQUS有限元软件中只需输入材料的线弹性属性即可。NCF18/600V滚动轴承材料的弹性模量 Pa,泊松比,密度ρ=7 850 kg/
如

图3 滚动体与滚道间有限元模型细节
Fig.3 Details of finite element model for partial area between rolling element and ring raceway
基于ABAQUS有限元软件的UMESHMOTION磨损子程序,使用FORTAIN语言编写了滚动轴承振动磨损的计算程序。该计算程序在有限元模型中实现了滚动体的磨损演化过程。在产生节点位移后,自适应有限元技术自动更新实体网格。基于更新后的有限元模型,计算程序计算出新的节点位移,直到迭代次数达到规定值,退出计算程序。

图4 滚动体在不同迭代次数下的磨损形貌
Fig.4 Wear morphology of rolling element under different iterations
针对具有主效应和交互效应的随机变量,拉丁化分层抽样技

图5 拉丁化分层抽样策略
Fig.5 Strategy of Latinized stratified sampling
根据以上的抽样方法,对随机向量X的累积分布函数进行抽样。基于累积分布函数的样本,使用随机向量X的累积分布函数的逆函数获取随机向量X的样本。
通过配合使用自适应Kriging代理模
试验设计样本的U学习函数定义为
(17) |
其中:为Kriging代理模型在样本处的预测响应值;为的标准差。
Kriging代理模型更新的停止准则定义为
(18) |
如果不满足停止准则,那么将对应的样本增加到训练的小样本中,建立新的Kriging代理模型,直到满足停止准则。

图6 振动磨损代理模型的预测值和真实值对比
Fig.6 Result comparisons between real value and predicted value of vibration wear metamodel
基于L矩的正态变换能精确地将X‑空间内的随机变量变换为U‑空间内相应的随机变量,相较等概率变换方法精度更高。因此,采用高阶L矩方法开展滚动轴承的振动磨损可靠性分析。
基于高阶L矩可靠性方法的原理如

图7 基于高阶L矩可靠性方法的原理
Fig.7 Principle of reliability method based on higher order L-moment
(19) |
其中:为在验算点处的梯度。
(20) |
(21) |
其中:表示向量的普通乘积,即ApBp=[a1b1, a2b2,…, apbp]。
(22) |
(23) |
相应的可靠指标为
(24) |
U‑空间内的原点O至线性化的垂足坐标为
(25) |
使用3次正态转换将U‑空间内的垂足变换为X‑空间内相应的,通过比较与的大小,如果(为允许误差,通常取),则输出可靠指标;否则重复前面的步骤,直到结果收敛。
滚动轴承的振动磨损可靠性功能函数可表示为
(26) |
其中:;为所建立的滚动轴承振动磨损代理模型;,为规定的磨损失效阈值。
已知的前4阶L矩分别为,,,;的前4阶L矩分别为,,,;的前4阶L矩分别为,,,;的前4阶L矩分别为,,,;的前4阶L矩分别为,,,。根据L矩正态变换规
(27) |
(28) |
(29) |
(30) |
(31) |
(32) |
(33) |
(34) |
(35) |
(36) |
(37) |
由


图8 随迭代次数变化的滚动轴承磨损可靠度对比
Fig.8 Comparison of wear reliability varying with iteration times for rolling element bearing
1) 采用拉丁化分层抽样技术确定随机变量的样本,配合使用自适应Kriging代理模型能够准确实现滚动轴承振动磨损的不确定度量化。
2) 基于NCF18/600V主轴承的动力学方程,将振动磨损子程序与ABAQUS仿真过程相结合,有效求解了滚动轴承的磨损深度及表面磨损形貌。
3) 相较滚动轴承正常磨损的可靠度曲线,振动磨损下的可靠度曲线先下降,表明滚动轴承的振动会加剧滚动轴承磨损的可靠性退化过程。同时,振动磨损可靠度曲线的下降梯度明显大于正常磨损的下降梯度,表明滚动轴承的振动增大了磨损可靠度的退化速率。
参 考 文 献
胡爱军,许莎,向玲,等. 滚动轴承外圈多点故障特征分析[J]. 机械工程学报,2020,56(21):110-120. [百度学术]
HU Aijun,XU Sha,XIANG Ling,et al. Characteristic analysis of multi-point faults on the outer race of rolling element bearing[J]. Journal of Mechanical Engineering,2020,56(21):110-120.(in Chinese) [百度学术]
刘静,徐子旦,唐昌柯,等. 轴承-轴承座系统振动特征与局部故障尺寸的关联[J]. 振动、测试与诊断,2019,39(4):860-866. [百度学术]
LIU Jing,XU Zidan,TANG Changke,et al. Relationship between vibrations of bearing-housing system and localized fault sizes[J]. Journal of Vibration,Measurement & Diagnosis,2019,39(4):860-866. (in Chinese) [百度学术]
EL-THALJI I,JANTUNEN E. Dynamic modelling of wear evolution in rolling bearings[J]. Tribology International,2015,84:90-99. [百度学术]
JACOBS W, HOOREWEDER B, BOONEN R,et al. The influence of external dynamic loads on the lifetime of rolling element bearings: experimental analysis of the lubricant film and surface wear[J]. Mechanical Systems and Signal Processing,2016,74:144-164. [百度学术]
GONG Y,FEI J L,TANG J,et al. Failure analysis on abnormal wear of roller bearings in gearbox for wind turbine[J]. Engineering Failure Analysis,2017,82:26-38. [百度学术]
周玉辉,康锐,苏荔,等. 基于加速磨损试验的止推轴承磨损寿命预测[J]. 北京航空航天大学学报,2011,37(8):1016-1020. [百度学术]
ZHOU Yuhui,KANG Rui,SU Li,et al. Life prediction of thrust bearings based on accelerated wear test[J]. Journal of Beijing University of Aeronautics and Astronautics,2011,37(8):1016-1020. (in Chinese) [百度学术]
黄贤振,许乙川,张义民,等. 车削加工颤振稳定性可靠度蒙特卡罗法仿真[J]. 振动、测试与诊断,2016,36(3):484-488. [百度学术]
HUANG Xianzhen,XU Yichuan,ZHANG Yimin,et al. Reliability analysis for the stability of the CNC lathe with chatter using the monte carlo method[J]. Journal of Vibration,Measurement & Diagnosis,2016,36(3):484-488. (in Chinese) [百度学术]
CAO S,LU H,PENG Y X,et al. A novel fourth-order L-moment reliability method for L-correlated variables [J]. Applied Mathematical Modelling,2021,95:806-823. [百度学术]
RAFSANJANI A,ABBASION S,FARSHIDIANFAR A,et al. Nonlinear dynamic modeling of surface defects in rolling element bearing systems[J]. Journal of Sound and Vibration,2009,319:1150-1174. [百度学术]
SCHMIDT A,SCHMIDT T,GRABHERR O,et al. Transient wear simulation based on three-dimensional finite element analysis for a dry running tilted shaft-bushing bearing[J]. Wear,2018(408/409):171-179. [百度学术]
TANDLER R,BOHN N,GABBERT U,et al. Analytical wear model and its application for the wear simulation in automotive bush chain drive systems[J]. Wear,2020(446/447):203193. [百度学术]
SHIELDS D,ZHANG J X. The generalization of Latin hypercube sampling[J]. Reliability Engineering & System Safety,2016,148:96-108. [百度学术]
孙志礼,李瑞,闫玉涛,等. 一种用于结构可靠性分析的Kriging学习函数[J]. 哈尔滨工业大学学报,2017,49(7):146-151. [百度学术]
SUN Zhili,LI Rui,YAN Yutao,et al. A kriging based learning function for structural reliability analysis[J]. Journal of Harbin Institute of Technology,2017,49(7):146-151. (in Chinese) [百度学术]
ZHAO Y G,TONG M N,LU Z H,et al. Monotonic expression of polynomial normal transformation based on the first four L-moments[J]. Journal of Engineering Mechanics,2020,146(7):06020003. [百度学术]