滾動軸承故障診斷研究

王小龍

(成都大學 機械工程學院， 四川 成都　610106)

?

滾動軸承故障診斷研究

王小龍

(成都大學 機械工程學院， 四川 成都610106)

摘要：滾動軸承是機械工業(yè)的重要零部件，其好壞直接影響到機器最高性能的發(fā)揮，軸承在工作中承受沖擊載荷與摩擦，內(nèi)部結構易損壞失效，但輕微的故障極不容易發(fā)現(xiàn).構建了一個故障診斷測試系統(tǒng)，利用MATLAB軟件編程處理數(shù)據(jù)結合時域頻域分析方法，最后應用BP神經(jīng)網(wǎng)絡進行模式識別故障診斷研究.

關鍵詞：滾動軸承；MATLAB軟件；BP神經(jīng)網(wǎng)絡；故障診斷

0引言

軸承廣泛應用于礦山機械、農(nóng)業(yè)裝備、機械車輛、航空航天等領域，是國民經(jīng)濟的支柱產(chǎn)業(yè)，其發(fā)展水平的高低往往代表或制約著一個國家機械工業(yè)和其他相關產(chǎn)業(yè)的發(fā)展[1].滾動軸承的故障形式多樣，而故障結果必然影響整個機械裝置運行效率，甚至引發(fā)災難性的后果.本研究運用現(xiàn)代監(jiān)測方法以及信號處理分析方法，建立BP神經(jīng)網(wǎng)絡并對其進行訓練，從而實現(xiàn)模式識別，提高滾動軸承故障診斷的正確率，具有一定的工程應用前景.

1故障診斷系統(tǒng)總體架構設計

滾動軸承故障狀態(tài)監(jiān)測診斷測試系統(tǒng)如圖1所示.

圖1滾動軸承故障狀態(tài)監(jiān)測診斷測試系統(tǒng)示意圖

本研究中，將加速度傳感器置于軸承實驗裝置上，實時獲取軸承的振動隨機信號，電荷放大處理裝置將傳感器監(jiān)測的振動隨機信號進行放大處理，然后通過A/D轉(zhuǎn)換器將軸承的模擬信號轉(zhuǎn)換為計算機識別和便于處理的數(shù)字信號.轉(zhuǎn)換后的數(shù)字信號通過系統(tǒng)信號預處理，應用MATLAB計算工具編程得到一段時間內(nèi)的信號時域圖，再進行傅里葉變換得到頻譜圖，運用反求有效特征向量的方法提取時域和頻域特征值，最后，通過BP神經(jīng)網(wǎng)絡開展網(wǎng)絡構建、誤差分析.通過對以上數(shù)據(jù)進行模式識別，判斷軸承是否失效，為實現(xiàn)滾動軸承快速化、智能化、數(shù)字化故障診斷提供一種方法，也為軸承失效模式研究和軸承長壽命設計奠定實驗工程基礎.

2數(shù)據(jù)導入零均值化處理

點擊診斷測試系統(tǒng)載入故障數(shù)據(jù)中的Y2015，Workspace窗口出現(xiàn)軸承相關屬性.載入數(shù)據(jù)成功，依次將其他數(shù)據(jù)載入，如圖2所示.

圖2軸承數(shù)據(jù)導入MATLAB

測試系統(tǒng)中，滾動軸承共有2種狀態(tài)，即正常(Y)和故障(N).變頻器在頻率為20、25和30 Hz的工況條件下，2種狀態(tài)各采集10組數(shù)據(jù)，共60組數(shù)據(jù).選用采樣頻率10 kHz，采樣點數(shù)為20 000，故采樣時間為2 s.

信號的均值相當一個直流分量.該信號經(jīng)過傅里葉變換后在ω=0處為沖激函數(shù).若直接將其開展頻譜分析，在ω=0處將出現(xiàn)一個較大的譜峰，并會影響在ω=0左右處的頻譜曲線，使真正的故障點呈現(xiàn)誤差，因此必須削掉均值.系統(tǒng)采用零均值化處理方式，消除指標量綱和數(shù)量的影響，能全面地反映原始數(shù)據(jù)中各指標的變異程度和相互影響程度.

設系統(tǒng)采樣原始數(shù)據(jù)為Xn(n=1，2，…，N)，均值計算公式為，

(1)

零均值化處理計算公式為，

(2)

零均值化處理后，xn就變成一組均值為零的新隨機信號un.以下分析以un數(shù)據(jù)為系統(tǒng)輸入.

時域圖形處理前后對比如圖3所示.

圖3零均值化處理時域分析圖

頻域圖形處理前后對比如圖4所示.

圖4　零均值化處理頻域分析圖

從時域圖形上看，波形整體向Y軸負方向平移約2個單位長度.但是從頻域圖可以明顯看出，零均值化處理后消除了ω=0處出現(xiàn)的由直流分量產(chǎn)生的大譜峰(將近達到4.5×104)，避免了其對周圍小峰值產(chǎn)生的負面影響，提高了數(shù)據(jù)的可靠性和真實性.

3時域分析與特征值提取

3.1時域分析方法

系統(tǒng)在時域分析中，設xi(i =1,2,…,N)為采集到的振動隨機信號.時域分析中適用的有量綱量包括均值、方差、峰值和均方根值.適用的無量綱量有峰值因子、峭度和脈沖因子.

峰值因子(CrestFactor)，顯示正常波形是否受到異常振動的沖擊.它不受振動信號絕對水平影響，即使傳感器的靈敏度發(fā)生變動，也不會有測量誤差.

峭度(Kurtosis)，反映信號幅值分布特征的數(shù)值統(tǒng)計量，是歸一化的4階中心矩[2].計算公式為，

(3)

式(3)中，x(t)為去均值化后的瞬時幅值，p(x)為概率密度，σ為標準差.

通過峭度系數(shù)的計算式可以看出，分子是去均值化后的瞬時幅值的4次方，而分母為均方根值的平方，等效于分母是一個平均量.在一個隨機振動時間內(nèi)，必然導致分子的增長速率高于分母，若測試系統(tǒng)中K上升很快，表明軸承故障已顯現(xiàn).

脈沖因子(ImpulseFactor)，為信號峰值與信號絕對均值之比.脈沖因子對于沖擊脈沖類缺陷非常敏感，特別是初期異常缺陷，脈沖因子信號有明顯升高；當升高到一定程度后，隨著缺陷程度的增加，信號卻反向下降[3].

3.2振動信號時域特征提取

通過算例，正常軸承(Y)在運轉(zhuǎn)過程中的特征信號為一個周期信號，其幅值和頻率不變.仿真系統(tǒng)中通過先求出概論密度函數(shù)，再利用公式(3)直接計算，得出K=1.5.對于寬帶高斯信號和窄帶信號，通過MATLAB仿真，對不同頻段的信號進行等間隔帶通濾波分析，得到各頻段峭度值，K窄略大于K高，約等于3.

通過算例，故障軸承(N)在運轉(zhuǎn)過程中的故障特征信號為隨機振動信號，沒有固定的頻率和周期，亦沒有確定的函數(shù)表達式，也不能確定其幅值范圍，但其信號服從正態(tài)分布，通過濾波處理方法，對離散信號計算各頻段峭度值，得到K=42.35.故障軸承與正常軸承時域分析如圖5所示.

圖5故障軸承與正常軸承時域分析圖

從圖5可知，故障軸承的振幅大約為-5～0.5，正常軸承的振幅為-4～-0.5，即故障軸承的時域振動幅度較正常軸承大.峭度系數(shù)表征軸承接觸表面出現(xiàn)疲勞故障時，接觸面缺陷處產(chǎn)生的瞬時沖擊幅值，疲勞故障越大，響應幅值越高，故障現(xiàn)象愈明顯.峭度對軸承初期故障探測較敏感，軸承一旦出現(xiàn)故障，K值瞬時增大.

4頻域分析與特征值提取

4.1頻域分析方法

頻域特征參數(shù)指標主要包括均方頻率MSF、重心頻率FC及頻率方差VF.實際仿真計算時，頻譜需要預先離散化處理，采樣頻率fs決定分析頻率.利用傅立葉變換，實現(xiàn)滾動軸承的在線監(jiān)測與診斷.上述3個參數(shù)的時域公式如下[4]，

(4)

(5)

YVF=YMSF-(YFC)2

(6)

4.2傅里葉頻譜與特征提取

首先，分別比較故障軸承和正常軸承(N201、Y201)的FFT圖形，如圖6所示.

圖6N201與Y201 FFT圖

如圖6所示，能夠區(qū)分2個狀態(tài)且能代表自身頻譜的區(qū)域有：點(326，1)、區(qū)域(2560～3000)、點(3278，1)、區(qū)域(6310～6646)、區(qū)域(6850～7300).

對故障軸承數(shù)據(jù)隨機抽取N202fft、N206fft、N207fft、N209fft數(shù)據(jù)對比圖形如圖7所示.

圖7故障軸承重復性FFT譜

從圖7可以看出，各個特征值的重復性較好.

對正常軸承數(shù)據(jù)隨機抽取Y203fft、Y204fft、Y206fft、Y208fft數(shù)據(jù)對比圖形如圖8所示.

圖8正常軸承重復性FFT譜

從圖8可以看出，各個特征值的重復性較好.

5信號特征值歸一化

為提取有效特征值，便于在不同樣本之間對同一特征值進行分類比較，運用線性函數(shù)轉(zhuǎn)換關系方程，將得到的所有特征值歸一化到0～1區(qū)間，方程如下[4]，

Yo=(Xi-SampleMinValue)/(SampleMaxValue-

SampleMinValue)

(7)

式(7)中，Xi、Yo分別為轉(zhuǎn)換前、轉(zhuǎn)換后的值，SampleMaxValue、SampleMinValue分別為樣本的最大值和最小值.

原始特征值歸一化后數(shù)據(jù)結果如表1所示.正常軸承部分樣本特征值歸一化后結果如表2所示.

表1　故障軸承部分樣本特征值歸一化后結果

表2　正常軸承部分樣本特征值歸一化后結果

6BP神經(jīng)網(wǎng)絡模式識別

6.1輸入、輸出層和隱層開發(fā)

BP神經(jīng)網(wǎng)絡屬于經(jīng)典的前向網(wǎng)絡，用特定的實驗數(shù)據(jù)分析后提取的有效特征值作為輸出矢量，將輸入信號矢量聯(lián)系起來，進行故障模式識別[5].依據(jù)實驗樣本數(shù)量，確定輸入神經(jīng)元個數(shù)為11，輸出狀態(tài)有2種，即正常軸承(Y)與故障軸承(N)，輸出神經(jīng)元為2.由于輸入為11個神經(jīng)元，輸出為2個神經(jīng)元，通過誤差對比分析，設計一個隱層可以在一定范圍內(nèi)隨意變化的隱層網(wǎng)絡，隱層神經(jīng)元數(shù)目在20～25之間.

6.2網(wǎng)絡訓練參數(shù)選擇

設定網(wǎng)絡的隱層神經(jīng)元的傳遞函數(shù)為tansig[6]，輸出層神經(jīng)元的傳遞函數(shù)為logsig，結果誤差為0.002，最大訓練步數(shù)為1 000.結果如表3所示.

表3　隱層神經(jīng)元訓練誤差

經(jīng)過1 000次訓練后，隱層神經(jīng)元為21的BP網(wǎng)絡對函數(shù)的逼近效果最好，因為它的誤差最小.確定隱層的神經(jīng)元數(shù)目為21.該樣本BP網(wǎng)絡的最終參數(shù)架構如表4所示.

表4　BP網(wǎng)絡最終參數(shù)架構

6.3網(wǎng)絡訓練

訓練誤差為0.000 987 527，訓練步數(shù)為53步.

圖9網(wǎng)絡訓練誤差分析

6.4網(wǎng)絡測試

y=sim(net,測試數(shù)據(jù))[7].

表5　網(wǎng)絡測試結果與期望結果對比

根據(jù)表5的測試結果分析，樣本數(shù)據(jù)的分類正確合理，本研究建立的BP前向神經(jīng)網(wǎng)絡模型，能夠?qū)S承的正常狀態(tài)進行識別.對于類似的故障診斷識別，可以將MATLAB測試系統(tǒng)測得的有效均值化數(shù)據(jù)輸入到該網(wǎng)絡，從而快速進行故障診斷識別.該網(wǎng)絡誤差小，測試結果準確可靠，具有工程應用推廣價值.

7結語

本研究基于MATLAB軟件進行滾動軸承故障診斷系統(tǒng)設計，運用數(shù)字信號分析中的零均值化、時域頻域分析、特征值歸一化處理思想，設計BP神經(jīng)網(wǎng)絡進行故障模式識別.通過網(wǎng)絡訓練、網(wǎng)絡測試，確定系統(tǒng)誤差在可控范圍內(nèi).本軸承故障診斷識別系統(tǒng)準確率高，可以作為滾動軸承故障分析的參考依據(jù)，也為開展非接觸式遠程故障診斷提供了思路.

參考文獻：

[1]鄭德志，王黎欽，古樂，等．非平穩(wěn)狀態(tài)下高速滾動軸承的失效研究[J]．中國機械工程，2007，18(10)：1214-1217．

[2]張賢達．現(xiàn)代信號與處理[M]．北京：清華大學出版社，2002．

[3]叢玉良，王宏志．數(shù)字信號處理原理及其MATLAB實現(xiàn)[M]．北京：電子工業(yè)出版社，2009．

[4]楊曉明，晉玉劍，李永紅．經(jīng)典功率譜估計Welch法的MATLAB仿真分析[J]．電子測試，2011，18(7)：101-104．

[5]胡耀斌，厲善元，胡良斌．基于神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法的研究[J]．機械設計與制造，2012，50(2)：187-189．

[6]周昌雄，陳迅，馬國軍．基于關聯(lián)維數(shù)與BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷[J]．軸承，2003，46(9)：32-34．

[7]TAN S C,LIM C P．Anensembleapplicationofconflict-resolvingART-Basedneuralnetworkstofaultdetectionanddiagnosis[J]．J Meas Sci Instr,2011，2(4)：371-377．

Research of Fault Diagnosis in Rolling Bearing

WANGXiaolong

(School of Mechanical Engineering, Chengdu University, Chengdu 610106, China)

Abstract:Rolling bearing is an important part in engineering industry which is known as the foundation of industry.Bearing quality directly affects the maximum performance of the machine.When it works,the internal structure easily becomes invalidated under the impact load and friction.However,it is not easy to find a slight fault.This paper builds a fault diagnosis system which can do fault diagnosis of pattern recognition research by using MATLAB software programming process data combined with time domain and frequency domain analysis method as well as by using the BP neural network.

Key words:rolling bearing;MATLAB software;BP neural network;troubleshooting

文章編號：1004-5422(2016)02-0178-05

收稿日期：2016-01-21.

基金項目：成都大學校青年基金(2015XJZ15)資助項目.

作者簡介：王小龍(1985 — )， 男， 碩士， 汽車設計工程師， 從事汽車設計制造與車輛安全故障診斷技術研究.

中圖分類號：TH133.33；TH165+.3

文獻標志碼：A