滾珠軸承的智能故障診斷方法

賀敏之+易葉青+申湘艷+羅時(shí)杰

摘要：針對(duì)滾珠軸承故障診斷的應(yīng)用實(shí)際，該文建立了基于相似性度量的故障診斷模型。該模型首先通過(guò)數(shù)據(jù)采集模塊采集振動(dòng)信號(hào)，再經(jīng)降噪濾波模塊對(duì)初始信號(hào)進(jìn)行降噪、濾波處理，隨后通過(guò)特征提取模塊提取出降噪信號(hào)中的特征信號(hào)，將這些特征信息作為查詢條件，通過(guò)數(shù)據(jù)傳輸模塊發(fā)送給遠(yuǎn)程的數(shù)據(jù)庫(kù)服務(wù)器，服務(wù)器接收到查詢條件之后，將特征信息與數(shù)據(jù)庫(kù)的故障信息進(jìn)行相關(guān)性分析，最后得出診斷結(jié)果。

關(guān)鍵詞：小波變換；PCA主元分析；滾珠軸承；皮爾遜相關(guān)系數(shù)；故障診斷

1概述

在機(jī)械制造業(yè)飛速發(fā)展的今天，各種生產(chǎn)機(jī)床與機(jī)械自動(dòng)化水平日漸增高。根據(jù)滾珠軸承的剛度高和抗外部干擾強(qiáng)等特點(diǎn)，被廣泛應(yīng)用在數(shù)控機(jī)械設(shè)備中。而由于滾珠軸承的精準(zhǔn)度與其傳動(dòng)性能決定了機(jī)械設(shè)備的加工精密度與機(jī)械定位準(zhǔn)確度。目前，國(guó)內(nèi)滾珠軸承的研發(fā)水平和發(fā)達(dá)國(guó)家相比還有較大的差距，其主要原因是加工設(shè)備精度達(dá)不到要求，還有對(duì)設(shè)備運(yùn)行情況的檢測(cè)。如果沒(méi)有較為完善的檢測(cè)系統(tǒng)，產(chǎn)品的質(zhì)量就得不到保證。為了實(shí)現(xiàn)檢測(cè)滾珠軸承實(shí)時(shí)的性能參數(shù)，國(guó)內(nèi)外的研究人員針對(duì)不同的檢測(cè)指標(biāo)設(shè)計(jì)出不同的測(cè)試設(shè)備。

文獻(xiàn)對(duì)當(dāng)前數(shù)控機(jī)床滾珠絲桿螺母副誤差補(bǔ)償進(jìn)行了闡述和歸納，并滾珠絲桿螺母副使用過(guò)程中出現(xiàn)的故障進(jìn)行了分析。文獻(xiàn)通過(guò)檢測(cè)滾珠絲杠螺母副及支撐系統(tǒng)間隙，軸承、絲杠螺母副的潤(rùn)滑不良，解決了驅(qū)動(dòng)問(wèn)題的故障。文獻(xiàn)針對(duì)滾珠絲杠在數(shù)控機(jī)床運(yùn)轉(zhuǎn)中的噪聲信號(hào)，提出一種分段重疊預(yù)處理信號(hào)方法，實(shí)現(xiàn)對(duì)滾珠絲杠潤(rùn)滑不良和潤(rùn)滑良好兩種情況下噪聲的正確區(qū)分。

以上所述滾珠軸承故障診斷方法信號(hào)處理精度不高，且自動(dòng)識(shí)別故障的程度較低。本文針對(duì)滾珠軸承中存在的故障類別，提供了一種基于相似性比對(duì)的故障診斷方法，能夠?qū)崿F(xiàn)實(shí)時(shí)檢測(cè)滾珠軸承的相關(guān)數(shù)據(jù)，以診斷滾珠軸承的故障狀態(tài)，信號(hào)處理精度高，故障診斷準(zhǔn)確高效，具有較為廣泛的應(yīng)用價(jià)值。

2系統(tǒng)原型設(shè)計(jì)

在系統(tǒng)設(shè)計(jì)過(guò)程中，首先利用傳感器來(lái)對(duì)原始信息進(jìn)行取樣，由于信號(hào)中夾雜了大量的噪聲信號(hào)會(huì)對(duì)最終的診斷結(jié)果帶了極大的偏差。為了解決這一問(wèn)題，可提前利用小波變換技術(shù)對(duì)振動(dòng)信號(hào)進(jìn)行降噪、濾波處理；經(jīng)過(guò)小波變換得到的平滑信息數(shù)據(jù)由于存在大量的冗余數(shù)據(jù)，在對(duì)其進(jìn)行分析和處理時(shí)困難較大，需采用PCA主元分析的特征提取算法對(duì)其進(jìn)行降維處理從而獲取特征信號(hào)；最后運(yùn)用皮爾遜相關(guān)系數(shù)統(tǒng)計(jì)方法與故障數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)進(jìn)行相似性度量給出診斷結(jié)果。其系統(tǒng)原型設(shè)計(jì)模型如圖1所示。

2.1數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊的硬件組成包括傳感器、數(shù)據(jù)采集卡和工程機(jī)，考慮到電機(jī)軸承在運(yùn)行過(guò)程中將產(chǎn)生大量振動(dòng)信號(hào)，因此，在設(shè)計(jì)時(shí)采用壓電式加速度傳感器來(lái)收集其振動(dòng)信號(hào)。

2.2降噪濾波模塊

由數(shù)據(jù)采集模塊收集到的原始信號(hào)中包含了大量非平衡的噪聲信號(hào)，為了確保最終診斷結(jié)果的可靠性，需提前將非平衡的噪聲信號(hào)進(jìn)行預(yù)處理。在系統(tǒng)設(shè)計(jì)過(guò)程中利用小波變換處理非平衡信號(hào)較好的特性噪聲信息對(duì)原始信號(hào)進(jìn)行濾波、降噪處理，其流程如圖2所示。

先對(duì)一維信號(hào)a（n）進(jìn)行離散采樣，由此得出N點(diǎn)離散序列6（K）K=0，1，…N-1，在離散處理后再運(yùn)用小波閾值降噪方法對(duì)離散信號(hào)進(jìn)行降噪處理。

其降噪的基本流程如下：

（1）首先設(shè)定出小波基函數(shù)，確定分解的層次，之后對(duì)初始信號(hào)的時(shí)間序列6（K）做小波分解，并由此得出一組小波系數(shù)。

（2）設(shè)置小波分解高頻系數(shù)的閾值：在不同尺度下的高頻系數(shù)中選取一個(gè)量化后的閾值參數(shù)。通常其閾值可設(shè)置為A=式中的a為噪聲系數(shù)的均方差，因此得出了估計(jì)小波系數(shù)。

（3）重構(gòu)一維小波系數(shù)。對(duì)得到的估計(jì)小波系數(shù)進(jìn)行一維小波重構(gòu)，得出小波系數(shù)信號(hào)，這個(gè)小波系數(shù)信號(hào)表示為降噪信號(hào)。

在小波分解中，根據(jù)尺度的不同小波系數(shù)可能出現(xiàn)比較大的值，而這些值中有時(shí)涵含了比較重要的特征信息，剩下的小波系數(shù)值則較小。在噪聲信號(hào)中，小波系數(shù)有分布均勻的尺度，在尺度參數(shù)值增大時(shí)噪聲信號(hào)小波系數(shù)的幅值反而會(huì)變得更小，因此設(shè)置一個(gè)適當(dāng)?shù)臑殚撝底兊檬种匾０阉行∮诘男〔ㄏ禂?shù)歸零，并保留所有大于的小波系數(shù)，由此得出小波系數(shù)的估計(jì)值。

2.3特征提取模塊

PCA是一種主成分提取方法，把多維數(shù)據(jù)投影到只有特征信息的低維空間，以達(dá)到特征提取的目的。其特征提取具體步驟如下：

第一步特征中心化。即每一維的數(shù)據(jù)都減去該維的均值。設(shè)原始數(shù)據(jù)是m×n的矩陣A每一列減去該列均值后，得到矩陣B；

第二步計(jì)算B的協(xié)方差矩陣c；

第三步計(jì)算協(xié)方差矩陣c的特征值和特征向量；

第四步選取大的特征值對(duì)應(yīng)的特征向量，得到新的數(shù)據(jù)集A。

2.4故障診斷模塊

當(dāng)數(shù)據(jù)采集模塊將采集到的振動(dòng)信號(hào)經(jīng)過(guò)降噪濾波模塊處理之后的數(shù)據(jù)信息D1發(fā)送到特征提取模塊，特征提取模塊提取數(shù)據(jù)信息D2的特性信息；系統(tǒng)將這些特征信息作為查詢條件，通過(guò)數(shù)據(jù)傳輸模塊發(fā)送給遠(yuǎn)程的數(shù)據(jù)庫(kù)服務(wù)器，服務(wù)器接收到查詢條件之后按如下的方法進(jìn)行故障診斷：

特征信息與故障數(shù)據(jù)庫(kù)中的故障信息進(jìn)行相關(guān)性分析可以采用皮爾遜相關(guān)系數(shù)的計(jì)算方法。皮爾遜相關(guān)系數(shù)是一種線性相關(guān)系數(shù)，其中相關(guān)系數(shù)用r表示，n為特征信息量，分別為兩個(gè)變量的觀測(cè)值和均值。r描述的是兩個(gè)變量間線性相關(guān)強(qiáng)弱的程度。相關(guān)系數(shù)r的絕對(duì)值接近1，表示強(qiáng)的線性關(guān)系，越接近于0，線性關(guān)系越弱。

2.5仿真實(shí)驗(yàn)

為了驗(yàn)證模型的可行性，我們討論如何在Matlab7.0平臺(tái)中利用采集的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。本仿真實(shí)驗(yàn)的電腦配置為：操作系統(tǒng)為windows7 64位，CPU為Intel（R）Core（TM）i5-3360MCPU@2.80GHz 2.80GHz。endprint

本文的原始實(shí)驗(yàn)數(shù)據(jù)來(lái)自UCI（http：//www.pudn.com）提供的機(jī)電設(shè)備故障診斷的測(cè)試數(shù)據(jù)集，其數(shù)據(jù)來(lái)自某個(gè)水利機(jī)械的滾珠振動(dòng)數(shù)據(jù)，實(shí)驗(yàn)中針對(duì)正常絲杠、滾道磨損、滾珠磨損、絲杠螺母上端螺釘松動(dòng)及絲杠彎曲5種狀態(tài)，進(jìn)行數(shù)據(jù)采集，并且把每一組的類別標(biāo)簽分別為1、2、3、4、5。我們對(duì)滾珠絲杠5種狀態(tài)分別取240、245、234、242、239組52維的樣本實(shí)驗(yàn)數(shù)據(jù)，共得到了1200組數(shù)據(jù)。同時(shí)我們也為每種狀態(tài)的收集了20組52維的測(cè)試樣本數(shù)據(jù)數(shù)據(jù)，總共得到了100組測(cè)試樣本數(shù)據(jù)。

仿真實(shí)驗(yàn)的步驟描述如下：

第一步：讀取訓(xùn)練集樣本實(shí)驗(yàn)數(shù)據(jù)；

第二步：讀取測(cè)試集樣本實(shí)驗(yàn)數(shù)據(jù)；

第三步：合并訓(xùn)練集樣本實(shí)驗(yàn)數(shù)據(jù)與測(cè)試樣本數(shù)據(jù)集；

第四步：執(zhí)行PCA變換，提取測(cè)試數(shù)據(jù)集和訓(xùn)練樣本數(shù)據(jù)集的特征信息；

第五步：從特征信息中分別抽取五種狀態(tài)的數(shù)據(jù)集，分別得到，正常狀態(tài)、滾道磨損、滾珠磨損、絲杠螺母上端螺釘松動(dòng)及絲杠彎曲五種狀態(tài)的訓(xùn)練樣本數(shù)據(jù)集的特征信息和相應(yīng)的測(cè)試數(shù)據(jù)集的特征信息；

第六步：將每一條測(cè)試數(shù)據(jù)與所有的質(zhì)心坐標(biāo)利用皮爾森系數(shù)進(jìn)行相似性度量，并選取相似性最大的質(zhì)心坐標(biāo)所對(duì)應(yīng)的故障類別與測(cè)試數(shù)據(jù)所在的故障類別相比較，若相等則說(shuō)明診斷正確，否則認(rèn)為診斷不正確。

第七步：統(tǒng)計(jì)故障診斷的正確率和CPU執(zhí)行的時(shí)間

第八步：畫(huà)圖，輸出結(jié)果。

原始收集的數(shù)據(jù)是52維的，這是一個(gè)高維數(shù)據(jù)集，直接采用皮爾森系數(shù)進(jìn)行相似性度性度量往往會(huì)造成結(jié)果的不準(zhǔn)確，因此我們利用PCA對(duì)收集到的數(shù)據(jù)進(jìn)行特征提?。ɑ蛘哒f(shuō)是降維），其中貢獻(xiàn)率取0.85。圖3（a）中是無(wú)故障數(shù)據(jù)集中第一條原始的數(shù)據(jù)是一個(gè)52維的高維數(shù)據(jù)，（b）是通過(guò)PCA變換之后所提取的特征，其特征信息只有22維。

圖4中的（a）是滾道磨損數(shù)據(jù)集中第一條原始的數(shù)據(jù)是一個(gè)52維的高維數(shù)據(jù)，（b）是通過(guò)PCA變換之后所提取的特征，其特征信息只有22維。

圖5中的（a）是滾珠磨損數(shù)據(jù)集中第一條原始的數(shù)據(jù)是一個(gè)52維的高維數(shù)據(jù)，（b）是通過(guò)PCA變換之后所提取的特征，其特征信息只有22維。

圖6中的（a）是絲杠螺母上端螺釘松動(dòng)數(shù)據(jù)集中第一條原始的數(shù)據(jù)是一個(gè)52維的高維數(shù)據(jù)，（b）是通過(guò)PCA變換之后所提取的特征，其特征信息只有22維。

圖7中的（a）是絲杠彎曲數(shù)據(jù)集中第一條原始的數(shù)據(jù)是一個(gè)52維的高維數(shù)據(jù)，（b）是通過(guò)PCA變換之后所提取的特征，其特征信息只有22維。

實(shí)驗(yàn)結(jié)果表明：初始數(shù)據(jù)為55維的測(cè)試數(shù)據(jù)集與實(shí)驗(yàn)樣本數(shù)據(jù)通過(guò)PCA方法處理后降為22維，由此說(shuō)明PCA主成分分析法能有效對(duì)高維數(shù)據(jù)進(jìn)行降維處理。實(shí)驗(yàn)中統(tǒng)計(jì)了故障診斷的正確率為90%，進(jìn)而表明該模型算法是可行的。endprint