智能化軸承狀態(tài)監(jiān)測(cè)

王晨霞

摘 要：在機(jī)械設(shè)備運(yùn)行過(guò)程中，滾動(dòng)軸承的狀態(tài)對(duì)其具有很大的影響，因而對(duì)滾動(dòng)軸承作出合理的故障診斷具有深遠(yuǎn)而現(xiàn)實(shí)的意義。文章通過(guò)對(duì)滾動(dòng)軸承的振動(dòng)類型及故障特征，詳細(xì)研究了時(shí)域分析、頻域分析在滾動(dòng)軸承故障診斷中的應(yīng)用，設(shè)計(jì)了采集數(shù)據(jù)系統(tǒng)可實(shí)現(xiàn)對(duì)軸承振動(dòng)信號(hào)的采集，在此基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行處理分析，構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行模式識(shí)別，達(dá)到軸承故障診斷的目的。

關(guān)鍵詞：滾動(dòng)軸承；故障診斷；神經(jīng)網(wǎng)絡(luò)；matlab

中圖分類號(hào)：TH133 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2015）14-0106-01

所謂軸承故障診斷就是觀測(cè)軸承的工作狀態(tài)，并對(duì)采集到的可以反映軸承工作狀態(tài)的信號(hào)進(jìn)行分析與處理來(lái)識(shí)別軸承的狀態(tài)。工程上對(duì)滾動(dòng)軸承的故障診斷是十分必要的，通過(guò)對(duì)軸承的一些簡(jiǎn)單分析，確立了滾動(dòng)軸承故障診斷的完整流程，采集振動(dòng)信號(hào)，作數(shù)據(jù)處理，最終建立神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)軸承狀態(tài)進(jìn)行面試識(shí)別，從而達(dá)到對(duì)軸承故障診斷的目的。

早期軸承診斷靠聽(tīng)覺(jué)，主觀影響大；后來(lái)用振動(dòng)位移、速度或加速度均方根或峰值判斷故障，減少了對(duì)人為經(jīng)驗(yàn)依賴；現(xiàn)代故障診斷涉及控制論、計(jì)算機(jī)等多方面。

我國(guó)軸承故障診斷起步較晚，但發(fā)展迅速，取得立不小的成就。其中，運(yùn)用于鐵路貨車輪對(duì)滾動(dòng)軸承不解體故障診斷，提高了檢驗(yàn)速度與可靠性，節(jié)約了維修費(fèi)用。

相較而言，國(guó)內(nèi)滾動(dòng)軸承的診斷與國(guó)外相比還有一定的差距，對(duì)滾動(dòng)軸承實(shí)效機(jī)理、實(shí)效過(guò)程的研究不夠、不深入。

目前，隨著人工智能技術(shù)的不斷發(fā)展和廣泛應(yīng)用，對(duì)于軸承故障的診斷技術(shù)也正趨于智能化。

一般來(lái)說(shuō)，軸承故障診斷的基本內(nèi)容包括以下幾個(gè)方面：采集軸承檢測(cè)信號(hào)；信號(hào)預(yù)處理；特征分析及提取；歸一化處理；人工神經(jīng)網(wǎng)絡(luò)狀態(tài)識(shí)別；決策與判斷等。

1 振動(dòng)信號(hào)采集

在滾動(dòng)軸承運(yùn)行時(shí)的眾多特征中，選用滾動(dòng)軸承的振動(dòng)信號(hào)作為反映其運(yùn)行工作狀態(tài)的特征信號(hào)來(lái)對(duì)其進(jìn)行信號(hào)分析和處理，這是由于振動(dòng)信號(hào)相較于其它信號(hào)而言可以檢測(cè)出軸承運(yùn)行初期的微小故障，而且由于振動(dòng)信號(hào)來(lái)自于機(jī)械本身，可方便監(jiān)測(cè)和采集信號(hào)，診斷結(jié)果可靠。

振動(dòng)檢測(cè)主要指振動(dòng)位移、速度、加速度、頻率等參數(shù)測(cè)量，振動(dòng)強(qiáng)度與加速度成正比，所以軸承振動(dòng)參數(shù)選用加速度測(cè)量?？梢栽谳S承座上安裝靈敏的加速度傳感器，采集軸承運(yùn)行過(guò)程中的加速度信號(hào)，并對(duì)此信號(hào)進(jìn)行分析和處理，以此來(lái)判斷軸承的運(yùn)行狀態(tài)。

可以根據(jù)如下的數(shù)據(jù)采集系統(tǒng)進(jìn)行軸承信號(hào)的數(shù)據(jù)采集工作，將采集到的模擬信號(hào)轉(zhuǎn)換成計(jì)算機(jī)可以識(shí)別的數(shù)字信號(hào)，然后通過(guò)matlab等數(shù)據(jù)分析軟件對(duì)所采集到的信號(hào)進(jìn)行分析處理，得出可作為診斷依據(jù)的數(shù)據(jù)。

①進(jìn)入數(shù)據(jù)采集系統(tǒng)，創(chuàng)建測(cè)試目錄并選擇好測(cè)試點(diǎn)以便數(shù)據(jù)儲(chǔ)存；②進(jìn)入采集畫(huà)面，輸入VB程序，運(yùn)行，采集數(shù)據(jù)；③儲(chǔ)存測(cè)量數(shù)據(jù)，為后期處理做準(zhǔn)備。

2 數(shù)據(jù)預(yù)處理

2.1 零均值化處理

零均值化的目的是去除直流分量，這是由于信號(hào)的均值就相當(dāng)于一個(gè)直流分量，而直流分量在做譜分析時(shí)的頻譜圖是在橫坐標(biāo)為零時(shí)的沖激函數(shù)，如果不去除直流分量的話，在對(duì)采集到的信號(hào)進(jìn)行頻譜分析時(shí)，這個(gè)沖激函數(shù)就會(huì)影響在左右的頻譜曲線，產(chǎn)生較大誤差，因此需零均值化處理。在時(shí)域圖上，零均值化處理后波形中心落在Y=0上，便于更直觀觀察。而在頻域圖上，零均值處理后，頻域圖上由于直流分量而帶來(lái)的沖激函數(shù)的波峰消失了，去除了直流分量對(duì)信號(hào)的影響。

2.2 去除趨勢(shì)項(xiàng)

振動(dòng)信號(hào)采集時(shí)由于傳感器周圍的環(huán)境干擾等測(cè)量值常會(huì)偏離基線，偏離基線的大小會(huì)隨時(shí)間變化的過(guò)程稱為信號(hào)的趨勢(shì)項(xiàng)。信號(hào)的趨勢(shì)項(xiàng)會(huì)對(duì)信號(hào)在時(shí)域以及頻域的信號(hào)分析帶來(lái)較大的誤差，甚至?xí)剐盘?hào)失真，因此信號(hào)分析中要消除趨勢(shì)項(xiàng)。消除趨勢(shì)項(xiàng)與零均值化處理的功能相似，是因?yàn)楸緮?shù)據(jù)中的多項(xiàng)式趨勢(shì)項(xiàng)很小，所以沒(méi)有明顯的變化。

2.3 平滑處理

信號(hào)采集時(shí)會(huì)受到噪聲干擾，使實(shí)際圖像為帶噪圖像，通常噪聲信號(hào)為高頻信號(hào)，所需振動(dòng)信號(hào)為低頻，平滑處理是為了消除噪聲，即濾高保低，同時(shí)提高采樣平滑性。

常用平滑處理方法有：平均法、樣條函數(shù)法、五點(diǎn)三次平滑法等。五點(diǎn)三次平滑法利用多項(xiàng)式最小二乘法逼近實(shí)現(xiàn)平滑濾波，算法簡(jiǎn)單，效果好。

在時(shí)域圖上，數(shù)據(jù)經(jīng)過(guò)平滑處理后，其圖形變得光滑；而在頻域圖上，平滑處理后，信號(hào)的高頻部分變少，低頻部分基本上沒(méi)有變化。這說(shuō)明滾動(dòng)軸承的故障信號(hào)的頻率主要集中在低頻和中頻段，而噪聲大部分為高頻信號(hào)，經(jīng)過(guò)平滑處理后，不僅保持了故障信號(hào)的原有特征，而且消除了噪聲信號(hào)，更有利于對(duì)數(shù)據(jù)信號(hào)的分析處理。

2.4 濾波處理

信號(hào)的能量大部分集中在幅度譜的低中頻段，而高頻段，有用信息常被噪聲淹沒(méi)，因此需要一個(gè)濾波器來(lái)減弱噪聲影響，獲取有用信號(hào)。由于平滑處理已去除大部分高頻噪聲，在時(shí)域內(nèi)不能明顯的看出處理前后的區(qū)別。但在頻域圖上，2 500 Hz后的頻率幾乎不存在，由此可見(jiàn)濾波效果較好。

3 特征提取及分析

3.1 時(shí)域特征提取

時(shí)域特征參數(shù)包括均值，方差，均方根值，峰值，峰值因子，峭度系數(shù)，波形因子以及脈沖因子和裕度因子。振動(dòng)信號(hào)經(jīng)過(guò)時(shí)域特征提取后，故障軸承和正常軸承在方差，峰值，裕度因子，峭度系數(shù)和脈沖因子，波形因子上的特征值差別比較明顯，但兩者在均值，均方根值以及峰值因子上的差別卻并不不明顯。

3.2 頻域特征提取

頻域特征參數(shù)包括重心頻率、均方頻率、均方根頻率、頻率方差和頻率標(biāo)準(zhǔn)差。振動(dòng)信號(hào)經(jīng)過(guò)頻域特征提取后，頻域參數(shù)的特征值重復(fù)性和差異性都比較良好。

4 歸一化處理

振動(dòng)信號(hào)在進(jìn)行特征提取之后，由于提取之后的信號(hào)的幅值大小不一，不利于信號(hào)的分析和處理，可將所有特征值歸一化到0～1區(qū)間。振動(dòng)信號(hào)歸一化處理線性函數(shù)轉(zhuǎn)換， ，歸一化處理就是要簡(jiǎn)化計(jì)算，縮小量值，在這里我們將數(shù)據(jù)歸一化到0～1區(qū)間，以便之后要進(jìn)行的神經(jīng)網(wǎng)絡(luò)模式識(shí)別，并對(duì)軸承做出故障診斷與分析。

5 人工神經(jīng)網(wǎng)絡(luò)及模式識(shí)別

輸入層：輸入層輸入的是能夠表示軸承運(yùn)行狀態(tài)的有效特征值的個(gè)數(shù)，這里為28，所以輸入層為28；

輸出層：由于是軸承的故障診斷，所以輸出信號(hào)為軸承的工作狀態(tài)，這里為故障和正常軸承，因此輸出層有2個(gè)神經(jīng)元；

隱層：其中為第一層的神經(jīng)元個(gè)數(shù)，為隱層神經(jīng)元個(gè)數(shù)。在本故障監(jiān)測(cè)中，輸入層個(gè)數(shù)為28，輸出為2，可知隱層神經(jīng)元在57左右。

訓(xùn)練參數(shù)：目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1 000。

經(jīng)訓(xùn)練后，網(wǎng)絡(luò)誤差最小，逼近效果最好的隱層神經(jīng)元個(gè)數(shù)設(shè)定為網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目，從而確定BP神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，確定BP神經(jīng)網(wǎng)絡(luò)最終結(jié)構(gòu)后，進(jìn)行網(wǎng)絡(luò)訓(xùn)練和神經(jīng)網(wǎng)絡(luò)測(cè)試以判斷該神經(jīng)網(wǎng)絡(luò)是否能有效監(jiān)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài)，以后驚醒滾動(dòng)軸承的故障檢測(cè)時(shí)，只需要測(cè)量故障軸承的振動(dòng)信號(hào)，提取有效特征值，經(jīng)過(guò)該神經(jīng)網(wǎng)絡(luò)，就可以判斷軸承是否運(yùn)行正常了。

6 結(jié) 語(yǔ)

綜上所述，對(duì)作為運(yùn)轉(zhuǎn)機(jī)械最重要部件之一的軸承進(jìn)行故障診斷分析和診斷，對(duì)于發(fā)現(xiàn)其運(yùn)行過(guò)程中存在的隱形故障特別是早期微小故障從而確保機(jī)械設(shè)備的正常使用以及延長(zhǎng)使用壽命具有非常有價(jià)值的現(xiàn)實(shí)意義。

通過(guò)對(duì)滾動(dòng)軸承的振動(dòng)類型及故障特征的研究，設(shè)計(jì)采集數(shù)據(jù)系統(tǒng)可以實(shí)現(xiàn)對(duì)軸承振動(dòng)信號(hào)的采集，在此基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行處理分析，構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行模式識(shí)別，達(dá)到軸承故障診斷的目的，可以正確的識(shí)別軸承的狀態(tài)。

參考文獻(xiàn)：

[1] 黃文虎，夏松波，劉瑞巖.設(shè)備故障診斷原理、技術(shù)及應(yīng)用[M].北京：科學(xué)出版社，1996.

[2] 張賢達(dá).現(xiàn)代信號(hào)處理[M].北京：清華大學(xué)出版社，2002.

[3] 于婷婷.基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[D].大連：大連理工大學(xué)，2008.

[4] 李興林，張仰平，曹茂來(lái).滾動(dòng)軸承故障監(jiān)測(cè)診斷技術(shù)應(yīng)用進(jìn)展[J].工程與試驗(yàn)，2009，（4）.

[5] 張振飛，夏利民.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷智能方法[J].信息技術(shù)，2008，（8）.

[6] 李興林.滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A]；2009年全國(guó)青年摩擦學(xué)學(xué)術(shù)會(huì)議論文集[C].2009.