滾動(dòng)軸承運(yùn)行狀態(tài)智能化監(jiān)測(cè)

西南交通大學(xué)機(jī)械工程學(xué)院 四川成都 611756

摘要：通過采集好的軸承和壞的軸承運(yùn)行時(shí)振動(dòng)的數(shù)據(jù)，并進(jìn)行信號(hào)的預(yù)處理零均值化和消除趨勢(shì)項(xiàng)處理，再使用matlab對(duì)處理過后的數(shù)據(jù)進(jìn)行傅里葉變換，提取特征值。再對(duì)所提取的特征值進(jìn)行歸一化處理，建立BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)，測(cè)試網(wǎng)絡(luò)。

關(guān)鍵詞：傅里葉變換BP神經(jīng)網(wǎng)絡(luò)；時(shí)域分析；頻域分析

引言

滾動(dòng)軸承作為機(jī)械設(shè)備中重要的旋轉(zhuǎn)零件，也是機(jī)械設(shè)備的重要故障源之一，統(tǒng)計(jì)表明：在使用滾動(dòng)軸承的旋轉(zhuǎn)機(jī)械中，大約有30%的機(jī)械故障是滾動(dòng)軸承引起的，感應(yīng)電機(jī)故障中的滾動(dòng)軸承故障約占電機(jī)故障的4O%左右，齒輪箱各類故障中的軸承故障率僅次于齒輪而占20%。據(jù)有關(guān)資料表明，我國(guó)現(xiàn)有的機(jī)車用滾動(dòng)軸承，每年約有40%要經(jīng)過下車檢驗(yàn)，而其中的33%左右被更換，據(jù)統(tǒng)計(jì)，對(duì)機(jī)械設(shè)備應(yīng)用狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)后，事故發(fā)生率可降低75%，維修費(fèi)用可減少25%～5O%?！?】滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中應(yīng)用最廣的機(jī)械零件，由于本身質(zhì)量和外部條件的原因，致使它是最易損壞的元件之一。。其缺陷會(huì)導(dǎo)致設(shè)備產(chǎn)生異常振動(dòng)和噪聲，甚至造成設(shè)備損壞，影響到生產(chǎn)的連續(xù)性。在工業(yè)應(yīng)用系統(tǒng)中，滾動(dòng)軸承引發(fā)的故障是引起機(jī)器設(shè)備失效的重要原因。

滾動(dòng)軸承的主要失效方式：疲勞剝落（點(diǎn)蝕） 磨損 膠合 裂紋和斷裂 電蝕、銹蝕 塑性變形 保持架損壞.等

1人工智能信號(hào)分析方法

人工智能神經(jīng)網(wǎng)絡(luò)，一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的

研究表明，當(dāng)軸承元件在負(fù)載旋轉(zhuǎn)過程中出現(xiàn)疲勞、壓痕或局部腐蝕等故障時(shí)將會(huì)對(duì)元件產(chǎn)生沖擊振動(dòng)，而這些振動(dòng)反復(fù)互激，又引起更大振顫，可以用振動(dòng)傳感器（加速度計(jì)）獲取滾動(dòng)軸承的振動(dòng)加速度信息。作為二次效應(yīng)的振動(dòng)加速度信號(hào)X 可以看作是滾動(dòng)軸承旋轉(zhuǎn)角速度的非線性函數(shù)，對(duì)于這樣一個(gè)動(dòng)態(tài)非線性系統(tǒng)，可用如下離散系統(tǒng)加以描述，即：

X（k）= f[X（k- 1），X（k- 2），…，X（k- n）；Ξ（k），Ξ（k- 1），…，Ξ（k- m）]m≤n（1）

式中 X（k）——加速度計(jì)的輸出采樣值

Ξ（k）——軸承內(nèi)環(huán)旋轉(zhuǎn)角速度的采樣值

在此，完全可以應(yīng)用神經(jīng)網(wǎng)絡(luò)構(gòu)造軸承的非線性模型，并可依據(jù)該模型實(shí)現(xiàn)故障的在線檢測(cè)【2】。

2數(shù)據(jù)處理流程

信號(hào)的預(yù)處理——零均值化

在測(cè)試中由數(shù)據(jù)采集所得的原始信號(hào)，在分析前需要進(jìn)行預(yù)處理，以提高數(shù)據(jù)的可靠性和真實(shí)性，并檢查信號(hào)的隨機(jī)性，以便正確地選擇分析處理方法。本設(shè)計(jì)中，我們采用零均值化處理。零均值化處理又稱中心化處理。就變?yōu)橐粋€(gè)均值為零的新信號(hào)（n=1，2，…，N）。

2）消除趨勢(shì)項(xiàng)

在振動(dòng)測(cè)試過程中，采集到的振動(dòng)信號(hào)數(shù)據(jù)由于放大器隨溫度變化產(chǎn)生的零點(diǎn)漂移、傳感器頻率范圍外的低頻性能的不穩(wěn)定以及傳感器周圍的環(huán)境干擾往往會(huì)偏離基線，甚至偏離基線的大小還會(huì)隨時(shí)間變化。因此測(cè)試信號(hào)分析中常要消除趨勢(shì)項(xiàng)，這也是信號(hào)預(yù)處理中一個(gè)重要步驟。趨勢(shì)項(xiàng)的消除方法有多種。使用最小二乘法。

3.特征值抽取過程

由于制造裝配誤差以及其他許多因素都會(huì)引起軸承振動(dòng)，傳感器拾取的振動(dòng)信號(hào)中除了損傷引起的沖擊性振動(dòng)信號(hào)外，還包含了大量的其他振動(dòng)信號(hào)。下面對(duì)時(shí)域和頻域的各個(gè)參數(shù)分別進(jìn)行分析，從中抽取特征，用作模式識(shí)別的輸入量。特征選取依據(jù)以下原則：

一：同種狀態(tài)信號(hào)的特征重復(fù)性好；

二：不同種狀態(tài)信號(hào)的特征差異性好。

3.1）時(shí)域頻域特征值抽取：

時(shí)域頻域特征值抽取時(shí)間域信號(hào)的評(píng)價(jià)指標(biāo)。一個(gè)信號(hào)時(shí)域參數(shù)有如下一些：均方根值、峰態(tài)系數(shù)、峰值、峰值因子、脈沖因子、波形因子、峭度、裕度系數(shù)……滾動(dòng)軸承的振動(dòng)信號(hào)在采集過程都是以時(shí)間為單位的，以一定的采樣頻率在一定的時(shí)間內(nèi)采集傳感器信號(hào)，得到大量的數(shù)據(jù)點(diǎn)，這些點(diǎn)以時(shí)間為橫坐標(biāo)呈現(xiàn)在坐標(biāo)系中，就得到滾動(dòng)軸承的振動(dòng)信號(hào)時(shí)域的抽樣信號(hào)。

3.2）頻率域特征值的抽取

頻率域特征值抽取頻率域信號(hào)的評(píng)價(jià)指標(biāo)。一個(gè)信號(hào)頻率域參數(shù)有如下一些：重心頻率、頻率方差、均方頻率

3.3）傅里葉變換

傅里葉分析是基于傅里葉變換的基礎(chǔ)上進(jìn)行分析的。它能將一個(gè)信號(hào)分解為一個(gè)直流分量和一個(gè)交流分量。然后對(duì)分解得到的信號(hào)進(jìn)行頻譜分析。一般我們我們是用加速度傳感器采集的振動(dòng)信號(hào)。【3】

3.4）特征值的歸一化處理

將取得的特征值列成一個(gè)矩陣的形式，并且對(duì)每一行驚醒歸一化處理，使得每一行數(shù)據(jù)的和為一。

3建立BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)，測(cè)試網(wǎng)絡(luò)。

3.1輸入、輸出層的設(shè)計(jì)

在軸承狀態(tài)監(jiān)測(cè)過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值為n組。所以網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為n；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。綜上所述，該BP網(wǎng)絡(luò)輸入層有n個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。

3.2隱層的選擇

對(duì)于軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，用上述提到的公式來確定隱層個(gè)數(shù)，即就是其中的為第一層的神經(jīng)元個(gè)數(shù)，為隱層神經(jīng)元個(gè)數(shù)。那么在本文的軸承狀態(tài)識(shí)別中，由于輸入為n個(gè)神經(jīng)元，輸出為2個(gè)神經(jīng)元，由參考公式可知隱層神經(jīng)元在2n-1左右。下面就設(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比確定隱層數(shù)目。

3.3 選擇的數(shù)據(jù)

選擇數(shù)據(jù)從上表和圖中觀察可發(fā)現(xiàn)，經(jīng)過若干次次的訓(xùn)練后（訓(xùn)練函數(shù)采用traingdx），隱含層神經(jīng)元為n3的BP網(wǎng)絡(luò)對(duì)函數(shù)的逼近效果最好，因?yàn)樗恼`差最小所以這里將網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目設(shè)定為n3。

3.4 訓(xùn)練網(wǎng)絡(luò)

BP網(wǎng)絡(luò)輸入層有n個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元，隱層有n3個(gè)神經(jīng)元。

測(cè)試結(jié)果為： 期望結(jié)果為：

G2010

0.00950.9874

01

01故障軸承

11正常軸承

Z2010

0.98810.9874

11

由上面測(cè)試：可以知道，建立起來的網(wǎng)絡(luò)對(duì)軸承狀態(tài)的識(shí)別系統(tǒng)是完全正確的。能夠有效地識(shí)別正常軸承和故障軸承。以后進(jìn)行模式識(shí)別時(shí)，只要將測(cè)得的數(shù)據(jù)輸入這個(gè)網(wǎng)絡(luò)就可以根據(jù)它的輸出結(jié)果正確的識(shí)別出軸承的狀態(tài)。

總結(jié)：滾動(dòng)軸承的應(yīng)用非常廣泛，其狀態(tài)好壞直接關(guān)系到機(jī)械的運(yùn)行狀態(tài)。因此，實(shí)際生產(chǎn)中做好滾動(dòng)軸承狀態(tài)監(jiān)測(cè)與故障診斷是搞好機(jī)械維修與管理的重要環(huán)節(jié)。所以針對(duì)各種不同使用環(huán)境和要求，要選用適當(dāng)?shù)妮S承狀態(tài)檢測(cè)方法，在盡可能節(jié)約而又簡(jiǎn)單的前提下達(dá)到軸承檢測(cè)的目的。但是采用這些傳統(tǒng)方法分析仍需要進(jìn)行人工判別，不能在線地進(jìn)行故障診斷。采用神經(jīng)網(wǎng)絡(luò)方法，利用軸承的振動(dòng)信號(hào)為滾動(dòng)軸承建立動(dòng)態(tài)非線性模型，并利用該模型能在線地實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的自動(dòng)測(cè)試診斷。

參考文獻(xiàn)：

[1]李興林，張仰平，曹茂來，張燕遼，陸水根，李建平 軸承故障監(jiān)測(cè)診斷技術(shù)新進(jìn)展（杭州軸承試驗(yàn)研究中心有限公司，浙江杭州310022）

[2]莊哲民 基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承檢測(cè)（汕頭大學(xué)電子工程系 汕頭515063）林志強(qiáng)（東南大學(xué)電子工程系 南京 210018）

[3]盧文祥.工程測(cè)試與信息處理.武漢：華中理工大學(xué)出版1991.5.