摘要：冶金机械作为钢铁和有色金属行业的核心装备，长期在高温、重负荷、多尘等极端环境中工作，轴承易出现磨损、剥落和开裂等典型失效模式，严重威胁设备安全性与生产连续性。文章以冶金机械轴承为研究对象，对其特征提取和诊断方法进行系统的研究。首先解析轴承常见故障类型与失效机理；继而从振动、声学、温度等多源信号出发，融合时域、频域及时频域分析方法，结合智能特征提取技术构建诊断特征集；进而集成传统诊断方法与神经网络、支持向量机等智能算法，建立多信息融合的集成诊断系统。基于实验验证表明，所提出的基于时频特征的诊断方法可实现96%以上的故障识别准确率，不仅为冶金机械轴承状态监测提供有效技术手段，更为设备全生命周期管理提供科学决策依据，对保障冶金工业高效稳定生产具有重要工程价值。

　　关键词：冶金机械；轴承故障；特征提取；诊断方法；振动分析

　　冶金机械是冶金工业生产的基石，涵盖轧机、连铸机、破碎机、风机等关键设备，其运行环境的温度可达800~1200℃,载荷轧制力达数千吨，且具有冲击力强、粉尘多、湿度大等特点。轴承作为冶金机械传动系统的核心部件，承担着支撑旋转轴、传递扭矩的重要功能，其故障占机械故障总数的30%~40%。一旦轴承发生故障，可能导致设备停机、生产中断，甚至引发安全事故，据统计，冶金企业因轴承故障造成的年均经济损失可达数千万元。传统的轴承故障诊断依赖人工巡检与定期维护，存在诊断滞后、精度低、劳动强度大等问题。随着工业物联网、传感器技术与人工智能的发展，基于信号分析的智能诊断方法逐渐成为研究热点。然而，冶金机械轴承的故障信号具有强非线性、非平稳性、高噪声干扰等特征，传统特征提取方法难以有效捕捉故障信息，导致诊断准确率偏低。因此，研究适用于冶金机械恶劣环境的轴承故障特征提取及诊断方法，对实现设备预知维护、保障冶金生产连续稳定运行具有重要意义。

　　1冶金机械轴承常见故障类型及失效机理

　　1.1常见故障类型

　　一是磨损故障，其包含粘着磨损和磨粒磨损。粘着磨损主要是由于轴承润滑不良，滚动体和滚道表面的金属直接接触，在高温、高压的作用下产生胶粘-撕裂循环而形成的。磨粒磨损是指冶金粉尘（如铁氧化物、锰氧化物等）侵入轴承间隙，随着运动而产生的划痕，呈现均匀的磨损痕迹。二是疲劳剥落，在长期的交变载荷下，外圈滚道/滚动体的接触部位会出现鳞片状剥落，早期表现为局部小剥落，后期可能演变成大范围的破坏。三是裂纹故障，其中，内圈、外圈和滚动体等主要由材料缺陷（如夹杂等）或过载冲击诱发，在裂纹扩展过程中释放出应力波，形成特征频率。四是保持架故障。由于装配偏差和冲击载荷的作用，保持架发生变形和断裂，表现出不规则的振动，严重的甚至会引起滚动体的卡滞[1]。

　　1.2失效机理

　　冶金机械轴承失效由多种因素共同作用造成。其一，高温环境加速润滑油的氧化破坏，增加摩擦系数；其二，在重载工况下，轴承的接触应力超过材料的疲劳极限，加速疲劳裂纹的萌生；其三，沙尘入侵加剧材料表面的磨损，形成“磨损-振动-升温”恶性循环。例如，轧钢机轴承在运行过程中承受超过1000kN的径向载荷，在轧制过程中产生的冲击载荷会引起高频振动，如果润滑系统出现故障，在1~2个月内就会出现明显的磨损，半年后就会发生剥落[2]。

　　1.3信号特征表现

　　轴承故障信号主要通过振动、温度、声发射三种形式体现。振动信号是故障诊断的核心依据，正常轴承的振动信号呈平稳随机分布，频谱以低频为主且能量集中；当发生疲劳剥落时，振动信号中会出现与故障特征频率（如内圈故障频率、外圈故障频率、滚动体故障频率）相关的周期性冲击成分，时域波形呈现明显的脉冲特征，峭度值（正常状态约3）可升至5~10；温度信号反映轴承的热状态，正常运行时温度稳定在30~60℃,温升速率≤5℃/h；润滑不良或严重磨损时，温度会在短时间内急剧升高，超过70℃且持续上升，连铸机轴承因高温环境影响，温度异常更易引发连锁故障。声发射信号由材料内部结构变化产生，故障发生时会释放高频弹性波，疲劳裂纹扩展阶段的声发射信号能量明显高于正常状态，可通过声发射传感器捕捉并用于早期故障预警。

　　2轴承故障特征提取方法

　　2.1基于振动信号的特征提取

　　振动信号作为轴承故障中最敏感的信息，其特征提取的完整分类包含时域、频域、时频域三大类。用统计参数来描述信号在时间域的特性，如峰值、均方根值、峭度、脉冲系数等。正常轴承的振动信号尖锐度接近于3，而在早期故障中，由于冲击脉冲的存在，其峭值上升到5~10，因此，基于振动信号的特征提取是早期有效的磨损和裂纹识别方法。以某轧钢机为例，在早期的振动信号峰值由2.8提高到6.3，均方根值由0.05mm/s上升到0.12mm/s；采用傅里叶变换方法，将时间域信号变换到频域，对故障的特征频率进行分析。轴承故障的特征频率与转速和几何参数有关，以转速1500r/min轴承为例，外圈故障特征频率在156Hz左右，以此频率为特征值作为故障标志；针对冶金机械振动信号（如轧制节奏变化引起的转速波动）非平稳特性，利用小波分析、希尔伯特-黄变换等方法对其进行研究。小波变换对不同频带进行多尺度分解，如对振动信号进行dB4小波分解，在1000~5000Hz范围内识别出滚动体撞击特征，而在低频范围内（100~1000Hz）识别出外圈裂纹的周期振动[3]。

　　2.2基于多源信号的特征提取

　　冶金机械轴承故障复杂多变，迫切需要突破单个振动信号的局限性，融合声温油液等多源信息，全面提高特征提取的全面性。

　　2.2.1声信号特征

　　轴承故障会触发一定频率的噪声，声波传感器采集20Hz~20kHz范围内的声信号。正常工况下，轴承压级稳定于70~80dB，故障工况下，由于摩擦和撞击的加剧，压级明显上升，频谱出现特征峰。例如，在滚动体剥离过程中，在2000~4000Hz范围内，声压比常态提高10~15dB，并伴随有谐波分量。而冶金车间背景噪声达到90dB以上，需要对其进行小波阈值去噪和自适应滤波等预处理，以保留有效的噪声信号。利用梅尔倒谱系数（MFCC）提取声学信号的频谱包络特征，提高故障识别能力，在试验中，该方法对早期裂纹的识别灵敏度比振动信号提高8%。

　　2.2.2温度信号特征

　　轴承故障最直接的表现就是摩擦的加剧，而温度的变化直观地反映故障的发展过程。利用热电偶或红外线热像仪对轴承座的温度进行监控，当发生磨损或润滑故障时，温度将出现异常上升。在小磨损阶段，温升速度上升3~5℃/h；当保持架发生断裂等严重故障时，温度在30min内会突然升高20~30℃。在此基础上，提取温度均值、温升速率、温差（轴承-环境温差）等特征参数，构建温差大于15℃的预警阈值，当温差大于15℃时触发黄色预警，超过25℃启动停机。通过对某高炉风机轴承的试验，提出利用温度特征提前48h对轴承内圈裂纹故障进行预警的方法[4]。

　　2.2.3油液分析特征

　　润滑油作为轴承工作状况的“液体指纹”，其形貌和组成用铁谱分析和光谱分析来反映。粘着磨损在表面形成5~50μm厚的片状磨粒，表面存在明显的撕裂痕迹；疲劳剥落后形成大小为10~100μm、边缘为锯齿状、形状不规则的磨粒；当磨粒浓度大于100个/mL时，磨损严重；光谱分析法检测油液中铁、铬、钼等元素的含量，正常情况下，铁含量≤50ppm，而一旦发生断裂故障，24小时内，铁含量将超过100ppm。在前期研究的基础上，通过引入磨粒形貌参数（圆度、Aspect比值等），实现对磨损类型的精确识别，在某轧钢机上进行实验验证，达到94%的黏附磨损识别精度。

　　2.3智能特征提取方法

　　基于机器学习的自动特征提取方法，对高维特征进行降维处理，提取关键特征。首先，主成分分析（PCA），采用主成分分析法对12个时间域参数进行降维处理，得到3个主元，使故障信息保持在95%以上，从而简化模型的输入。其次，自编码器（AE），采用非监督神经网络学习方法，实现信号的深度特征提取。实验表明，采用层叠式自编码器对振动信号进行处理，提取出的特征与传统方法相比，识别率提高20%。再次，小波包能量谱，将信号分解成不同的频带，并以各频带的能量所占的比例为特征值。冶金机械轴承故障的能量主要集中于1000~8000Hz频段，这一频率范围有效区分正常和故障[5]。

　　3轴承故障诊断方法

　　3.1传统诊断方法

　　一是频谱分析法。实验结果表明，该方法能较好地识别轴承故障特征频率。如连铸机轴承外圈剥落，频谱峰值156Hz，并伴有谐波成分（312Hz、468Hz）；二是包络分析法。采用包络分析法提取振动信号的包络谱，实现裂纹早期故障的有效识别。三是振动烈度法。按照ISO 10816《振动监测评估标准》，设备的状态由振动强度（速度有效值）来判定。冶金机械轴承振动等级I（好）≤4.5mm/s，等级Ⅳ（危）≥11.2mm/s。

　　3.2智能诊断方法

　　一是神经网络。以多层感知器（MLP）为例，提取特征参数（峭度、小波包能量等）作为输入层，故障类型（正常、磨损、剥落、开裂）作为输出层。对1000组冶金轴承数据进行训练，得到92.3%的正确率和95.6%的剥落故障。二是支持向量机（SVM）。该方法适用于小样本数据，采用核函数映射的方法对特征空间进行非线性分类。在轴承故障诊断方面，径向基函数核函数支持向量机比线性核函数具有更好的性能。三是随机森林。该算法采用多个决策树算法，采用投票的方式输出故障诊断结果，具有较强的抗干扰性。利用随机森林技术对冶金环境中噪声较大的信号进行诊断，准确率达到91.5%，较支持向量机减少2.1%的误诊率。对比常见方法的关键指标，不同诊断方法的性能差异显著，如表1所示。

　　为提升冶金机械轴承诊断精度，提出多源信息融合策略：将振动信号的时频特征、温度信号的温升速率、油液的磨粒浓度作为输入，采用加权投票机制融合SVM与随机森林的诊断结果，实验表明该方法准确率可达96.7%，较单一方法提高4%~6%。

　　4实验案例与数据分析

　　4.1实验数据来源

　　以某钢厂轧钢轴承为研究对象，以正常工况（1000组）、磨损（800组）、剥落（600组）和裂纹（500组）为研究对象，分别采集振动信号（频率为10kHz，持续时间10s）、温度数据（1Hz采样速率）和油液分析结果。

　　4.2特征提取与诊断过程

　　针对振动信号的特征提取，计算12个时域参量，8个频域参量，10个小波包能量参量，共计30个特征量；温度特性采用24小时升温率；通过对油液特性的分析，得到磨粒浓度分布的32维特征矢量；针对诊断模型，采用卷积神经网络（CNN），输入层采用32维特征，隐层采用2层卷积层和1层完全连通的隐含层，输出层采用4类故障标签，训练率80%，测试20%。

　　4.3实验结果

　　实验结果表明，CNN能较好地区分正常和剥落两种故障，这主要是因为二者具有相似的特性（都有冲击信号）。加入磨粒形貌特征后，磨损和裂纹误诊率可降至2.3%。测试集诊断结果如表2所示。

　　5结论

　　综上所述，开展冶金机械轴承故障特征提取及诊断方法研究，获得的振动信号峭度、小波包能量谱是有效的特征，融合多源信息的深度学习模型诊断准确率达到96%以上，能够满足冶金行业对故障早期预警的要求。首先，研制耐高温防尘的无线传感器网络，实现对轴承状态的实时监测。二是结合数字孪生技术，建立轴承故障演化模型，实现对轴承剩余寿命的预测。三是研究适用于冶金机械边缘计算场景的轻量化智能诊断算法，进一步提高诊断的实时性和可靠性，可望使冶金机械轴承故障停工期减少50%以上，每年节省运行维护费用数千万元。

参考文献

　　［1］褚惟，刘韬，刘畅.基于FWECS-CYCBD的轴承故障特征提取研究［J］.振动.测试与诊断，2024，44（5）：928-935+1038.

　　［2］武逵，王城宇，万书亭.基于IGWO-MCKD-ROMP的齿轮箱轴承故障特征提取方法［J］.机械与电子，2025，43（1）：3-9.

　　［3］郭华，褚惟，张孟，等.基于SIEDL的交通机电轴承故障特征提取研究［J］.噪声与振动控制，2025，45（2）：132-138.

　　［4］马军，李祥，秦娅，等.优化FEEMD与相似度量的滚动轴承故障特征提取［J］.兵器装备工程学报，2025，46（3）：252-266.

　　［5］吕明辰，袁强，周瑞平，等.基于多元多尺度排列模糊熵的滚动轴承故障特征提取方法［J］.轴承，2025（6）：97-103.