轴承是机械装备的核心传动部件，其磨损故障占旋转机械故障总量的40%以上，精准检测是避免停机损失的关键。而磨损检测的可靠性，本质依赖“样本采集”与“数据分析”两大环节——样本采集决定了数据的真实性与代表性，数据分析则是从数据中挖掘磨损特征的核心。但实际操作中，常因采样点选择不当、特征提取偏差等问题导致误判，因此系统梳理两者的关键步骤，对提升检测准确性具有重要现实意义。
样本采集的前期工况与设备准备
样本采集前需先明确轴承的基础信息与运行工况，这是选择采样方案的前提。首先要确认轴承类型（滚动轴承/滑动轴承）、规格参数（内径、外径、滚动体数量），以及设备的运行条件（负载类型、转速范围、工作温度、润滑方式）。例如，滚动轴承在高转速（>1500rpm）下易产生疲劳剥落颗粒，而滑动轴承在重载（>100kN）下更易出现黏着磨损颗粒，两者的采样策略需区分——滚动轴承需重点关注振动信号中的冲击特征，滑动轴承则需侧重油液中的颗粒形态。
其次。液油要校准采样设备，避免工具污染或精度偏差。以油液采样为例，需提前检查采样管是否清洁（可用丙酮冲洗后晾干），避免前一次采样的颗粒残留；振动传感器需用标准激振器校准灵敏度（误差控制在±5%内），确保采集的振动加速度信号准确。此外，需准备与润滑介质匹配的容器——例如，采集合成油样本时，应使用聚四氟乙烯容器，避免塑料容器中的添加剂溶入油液。
采样点则原择选的选择原则
采样点需满足“磨损颗粒代表性”与“采样稳定性”两大要求。对于油液样本，优先选择润滑系统的回油管路（如液压系统的回油过滤器前）或轴承座的放油口——回油管路中的油液携带了轴承运转产生的新鲜磨损颗粒，而放油口避免了油箱底部的沉淀颗粒干扰。例如，某风力发电机的主轴轴承采样，选在齿轮箱回油管路的三通采样阀处，比直接从油箱顶部采样的颗粒浓度高3倍，更能反映轴承的实时磨损状态。
对于振动样本，需将传感器固定在轴承座的“刚性连接点”（如轴承端盖的加工平面），避免安装在柔性结构（如电机外壳的散热片）上——柔性结构会衰减振动信号，导致特征丢失。例如，某电机轴承的振动检测中，传感器安装在轴承端盖的M8螺纹孔处，采集的信号信噪比（SNR）比安装在电机外壳上高15dB，能清晰捕捉到内圈的故障频率（约120Hz）。
需注意，采样点一旦确定，需固定位置与安装方式（如传感器的拧紧扭矩保持在2N·m），避免因采样点变动导致数据波动——某水泥厂的回转窑轴承检测中，曾因更换采样点导致振动均方根值从0.15mm/s骤升到0.3mm/s，后续确认是采样点从轴承座转移到了支架上，支架的振动放大了信号。
离线与在线采样的适用场景
离线采样是定期采集样本（如每周1次油样、每月1次振动信号），优点是成本低、操作简单，适合常规设备的周期性检测。例如，空调风机的轴承检测，因负载轻、转速低（约800rpm），每月采集1次油样（50ml），用铁谱仪分析颗粒浓度即可满足需求。但离线采样的局限性是实时性差——若轴承在两次采样间隔内突然出现严重磨损（如滚子断裂），可能错过故障预警时机。
在线采样是通过安装传感器（如振动加速度传感器、油液颗粒计数器）实时采集数据，优点是能捕捉瞬态故障（如轴承滚子的瞬间剥落），适合高价值、高负载设备（如盾构机主轴承、汽轮机轴承）。例如，某地铁盾构机的主轴承（直径3m，负载1000kN），安装了4个振动传感器（采样频率10kHz）和1个在线油液颗粒计数器（检测范围1-1000μm），实时监控轴承的振动特征与颗粒浓度，曾在一次掘进中捕捉到振动峰度从3.2骤升到6.8，同时颗粒计数器检测到100μm以上颗粒数量增加5倍，及时停机检查发现滚子表面有2mm深的剥落坑，避免了主轴承报废。
需根据设备的重要性与故障风险选择采样方式：关键设备（如发电厂汽轮机）建议采用在线+离线结合的方式，在线监控实时状态，离线采样做深度分析；一般设备（如车间风扇）采用离线采样即可。
样本预处理的关键操作
样本预处理的核心是“去除干扰”，确保后续分析的准确性。对于油液样本，首先需过滤——用0.45μm的微孔滤膜过滤，去除外界带入的灰尘颗粒（如采样时落入的粉尘）；其次是离心——将油样放入离心机，以3000rpm转速离心10分钟，分离油中的水分（水会加速轴承腐蚀，也会干扰颗粒检测）；若油液黏度较高（如齿轮油的黏度等级>150），需用同型号的新油稀释（稀释比1:1），避免颗粒在油中沉降过快。例如，某钢铁厂的轧机轴承油样，原黏度为220，稀释后用颗粒计数器检测，颗粒浓度从“无法检测”变为“250颗粒/ml”，准确反映了磨损状态。
对于振动样本，预处理的重点是降噪。常用的方法是小波变换——选择db4小波作为基函数，对原始信号进行3层分解，去除高频噪声（如电机的电磁噪声，频率约50Hz）。例如，某水泵轴承的原始振动信号中，50Hz的噪声峰值是轴承故障频率（约80Hz）的2倍，用小波阈值降噪后，噪声峰值降低到故障频率的1/3，清晰呈现了故障特征。此外，需去除趋势项（如传感器的漂移信号），可用多项式拟合的方法——对信号进行一次多项式拟合，减去拟合曲线即可得到平稳的振动信号。
磨损特征的多域提取方法
数据分析的第一步是从样本中提取能反映磨损状态的特征，需覆盖时域、频域、时频域三个维度。时域特征是从信号的时间波形中提取，常用的有峰值（Peak）、均方根（RMS）、峰度（Kurtosis）——峰值反映信号的最大冲击（如剥落颗粒的冲击），均方根反映信号的整体能量（磨损越严重，能量越高），峰度反映信号的脉冲性（正常轴承的峰度约3，疲劳磨损时会升到5以上）。例如，某电机轴承的峰度值从3.1升到5.8，对应轴承内圈出现3处剥落点，峰度能有效识别早期疲劳磨损。
频域特征是通过傅里叶变换（FFT）将时域信号转换为频域频谱，提取故障频率对应的峰值。轴承的故障频率可通过公式计算：内圈故障频率（BPFI）=n×(z/2)×(1 - d/D×cosα)，外圈故障频率（BPFO）=n×(z/2)×(1 + d/D×cosα)，滚动体故障频率（BSF）=n×(D/(2d))×(1 - (d/D×cosα)²)（其中n为转速，z为滚动体数量，d为滚动体直径，D为轴承节圆直径，α为接触角）。例如，某轴承的转速为1480rpm，z=8，d=15mm，D=80mm，α=0°，计算得BPFI≈1480×(8/2)×(1 - 15/80)=1480×4×0.8125=4780rpm（约79.7Hz），若频谱中79.7Hz处出现明显峰值，说明内圈磨损。
时频域特征是针对非平稳信号（如轴承早期磨损的间歇性冲击），用小波包变换提取能量分布。例如，将振动信号分解为4层小波包，得到16个频段，计算每个频段的能量占比——早期磨损时，高频段（如1000-2000Hz）的能量占比会从5%升到20%，因为剥落颗粒的冲击信号集中在高频段。某风机轴承的小波包分析显示，第12频段（1500-1875Hz）的能量占比从6%升到18%，后续拆解发现滚动体表面有微小裂纹。
高维数据的降维处理
特征提取后的数据通常是高维的（如时域5个特征、频域10个特征、时频域8个特征，共23个特征），高维数据会导致计算量增大、模型过拟合（如机器学习模型在高维数据上易记住噪声而非规律），因此需进行降维。常用的降维方法是主成分分析（PCA），其原理是将高维数据投影到低维空间，保留方差最大的主成分（即包含信息最多的维度）。
例如，某轴承的23个特征数据，用PCA降维后得到5个主成分，累计方差贡献率达到95%（即前5个主成分包含了原数据95%的信息）。其中第一主成分（PC1）的方差贡献率为62%，主要由峰度、均方根、小波包高频段能量组成，能直接反映磨损的严重程度；第二主成分（PC2）的方差贡献率为18%，主要由频域的故障频率峰值组成，能识别磨损的位置（内圈/外圈/滚动体）。降维后的低维数据，既简化了后续分析，又保留了关键信息。
需注意，降维前需对特征数据进行标准化（如Z-score标准化，将数据转换为均值0、方差1），避免因特征的量纲不同（如峰度是无量纲，均方根是mm/s）导致PCA结果偏差。例如，某特征数据中，均方根的范围是0.05-0.5mm/s，峰度的范围是2-6，标准化后两者的范围都变为-2到2，PCA的结果更准确。
异常状态的识别与验证
异常识别是判断轴承是否处于磨损状态的关键步骤，常用的方法有统计控制图与机器学习模型。统计控制图（如X-R图）是设定正常范围的上下控制限（通常为均值±3倍标准差），当特征数据超过控制限时，判断为异常。例如，某水泵轴承的均方根值正常范围是0.08-0.12mm/s（均值0.1，标准差0.013），若某次采集的均方根值为0.15mm/s（超过上控制限0.1+3×0.013=0.139），则判断为异常。
机器学习模型（如支持向量机SVM、随机森林RF）是通过训练正常与异常样本的特征数据，建立分类模型。例如，用100组正常轴承数据和50组磨损轴承数据训练SVM模型，输入新的特征数据（如PC1=1.8，PC2=0.5），模型输出“异常”，说明轴承可能存在磨损。需注意，机器学习模型的准确性依赖训练数据的质量——训练数据需覆盖不同磨损程度（轻度、中度、重度），否则模型易漏判。
异常识别后需进行验证，避免误判。常用的验证方法有：（1）油液铁谱分析——观察颗粒的形态与浓度，如疲劳剥落颗粒有贝壳状纹路，黏着磨损颗粒有熔融痕迹；（2）超声波检测——用超声波探头检测轴承的间隙（正常间隙<0.05mm，磨损后间隙>0.1mm）；（3）拆解检查——直接观察轴承的表面状态（如内圈是否有剥落、滚动体是否有裂纹）。例如，某电机轴承的振动信号异常（峰度=5.2），油液铁谱分析显示颗粒浓度=450颗粒/ml，且有大量贝壳状颗粒，拆解后发现内圈有2处3mm×2mm的剥落点，验证了异常识别的准确性。
磨损程度的量化评估
磨损程度的量化是为了判断轴承的剩余寿命，常用的指标有油液颗粒参数与振动特征参数。油液颗粒参数包括：（1）颗粒浓度（每毫升油中的颗粒数量）——正常状态<100颗粒/ml，轻度磨损100-300颗粒/ml，中度磨损300-500颗粒/ml，重度磨损>500颗粒/ml；（2）最大颗粒尺寸——正常状态<50μm，轻度磨损50-100μm，中度磨损100-200μm，重度磨损>200μm；（3）颗粒形态——正常状态以切削颗粒为主（占比<30%），磨损状态以疲劳或黏着颗粒为主（占比>50%）。例如，某齿轮箱轴承的油液颗粒浓度=400颗粒/ml，最大颗粒尺寸=150μm，疲劳颗粒占比=60%，判断为中度磨损。
振动特征参数包括均方根（RMS）与峰值因子（Crest Factor，峰值/均方根）。均方根的量化标准：正常状态<0.1mm/s，轻度磨损0.1-0.3mm/s，中度磨损0.3-0.5mm/s，重度磨损>0.5mm/s；峰值因子的量化标准：正常状态<5，轻度磨损5-8，中度磨损8-12，重度磨损>12。例如，某风机轴承的均方根=0.4mm/s，峰值因子=10，判断为中度磨损，剩余寿命约200小时（根据历史数据拟合的寿命模型）。
需结合多个参数进行量化，避免单一参数的偏差。例如，某轴承的均方根=0.35mm/s（中度磨损），但颗粒浓度=250颗粒/ml（轻度磨损），后续检查发现是振动传感器安装松动导致均方根虚高，实际磨损程度为轻度。因此，量化评估需综合油液、振动、超声波等多源数据。