基于無源振動(dòng)傳感器標(biāo)簽的軸承故障在線診斷技術(shù)*

肖艷霞， 田 杰, 何怡剛， 汪 濤

(1.合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 合肥 230009； 2.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院,安徽 合肥 230009)

0 引 言

利用無線傳感技術(shù)在線對(duì)軸承故障進(jìn)行診斷成為當(dāng)前研究的新熱點(diǎn)[1～7]。然而基于無線通信技術(shù)構(gòu)建的監(jiān)測(cè)傳感網(wǎng)絡(luò)，存在功耗高以及結(jié)構(gòu)復(fù)雜等缺點(diǎn)，導(dǎo)致需要依靠電池或者直流電源供電。不僅成本提高，而且受電池使用壽命的限制，不適合于長期在線診斷[8]。隨著射頻識(shí)別(radio frequency identification,RFID)技術(shù)的飛速發(fā)展，基于無源RFID標(biāo)簽的無線傳感技術(shù)受到了廣泛關(guān)注?；赗FID的無線傳感技術(shù)通過反向散射機(jī)制與詢問器進(jìn)行通信[9]，與ZigBee，藍(lán)牙等無線通信技術(shù)相比，其結(jié)構(gòu)簡單、功耗低、成本低。并且RFID標(biāo)簽具有定位識(shí)別功能，可通過射頻信號(hào)自動(dòng)識(shí)別目標(biāo)對(duì)象并獲取相關(guān)數(shù)據(jù)，更加滿足長期在線診斷的需求。

本文提出了一種基于RFID振動(dòng)傳感器標(biāo)簽的軸承故障在線診斷技術(shù)，相較于傳統(tǒng)的故障診斷技術(shù)具有成本低，實(shí)時(shí)性好，無需設(shè)備停運(yùn)等優(yōu)點(diǎn)。利用振動(dòng)傳感器標(biāo)簽采集軸承振動(dòng)信號(hào)，利用奇異值分解(singular value decompo-sition,SVD)，基于奇異熵對(duì)原始信號(hào)進(jìn)行去噪；最終利用最小二乘支持向量回歸(least squares support vector regression，LS-SVR)對(duì)處理后的信號(hào)進(jìn)行分析，實(shí)現(xiàn)了對(duì)軸承故障的在線診斷。

1 在線故障診斷系統(tǒng)設(shè)計(jì)

圖1為本文設(shè)計(jì)的RFID振動(dòng)傳感器標(biāo)簽的結(jié)構(gòu)。整個(gè)標(biāo)簽由分立元件搭建在FR4基底上，由3個(gè)模塊組成：能量模塊、數(shù)字模塊和RFID模塊。能量管理模塊通過天線獲取閱讀器發(fā)出的信號(hào)中的能量并利用升壓整流電路將其轉(zhuǎn)換為直流電壓，為數(shù)字模塊與通信模塊提供能量，無需使用電池。RFID模塊主要為RFID芯片，用于實(shí)現(xiàn)對(duì)傳輸信號(hào)的調(diào)制與解調(diào)，并將所測(cè)振動(dòng)信號(hào)傳送給閱讀器。

圖1 RFID振動(dòng)傳感標(biāo)簽結(jié)構(gòu)

1.1 能量模塊

采用50-Ω的微帶天線用于通信以及能量獲取，同時(shí)為了獲得最大能量傳輸效率，采用高品質(zhì)因數(shù)的可調(diào)射頻電感以及高品質(zhì)因數(shù)的可調(diào)高頻電容器用以實(shí)現(xiàn)阻抗匹配。設(shè)計(jì)了兩級(jí)升壓整流電路用于將天線獲取的射頻能量轉(zhuǎn)換為1.8 V的直流電壓，為單片機(jī)(microcontroller unit,MCU)、 RFID芯片以及三軸加速度傳感器提供工作電壓，針對(duì)于超高頻工作環(huán)境，選用了在超高頻率下具有較高靈敏度的SMS7630零偏壓肖特基二極管。 為了更進(jìn)一步提高該標(biāo)簽的運(yùn)行可靠性，采用了超級(jí)電容器作為輔助能源。

1.2 數(shù)字模塊

采用了低壓降穩(wěn)壓器以獲取穩(wěn)定的1.8 V直流電壓輸出。選用的微型控制器為16 bit 的MSP430F5172，工作電壓為1.8 V，帶有32 kB的閃存，2 kB的SRAM以及8個(gè)10 bit的ADC通道。選用的加速度傳感器為ADXL346超低功耗三軸加速度傳感器，工作電壓為1.8 V直流電壓。

1.3 RFID模塊

由于該傳感器標(biāo)簽應(yīng)用于金屬環(huán)境之中，因此采用了具有良好的抗金屬干擾特性的微帶天線作為通信天線。圖1中RFID芯片為Monza X-2K芯片，擁有2176 B非易失存儲(chǔ)容量和一個(gè)I2C接口，傳感器所測(cè)得的數(shù)據(jù)可通過I2C接口傳輸?shù)皆撔酒?，?dāng)標(biāo)簽被閱讀器激活時(shí)，標(biāo)簽以反向散射的方式將數(shù)據(jù)傳輸給相應(yīng)閱讀器。

2 噪聲去除與故障診斷

2.1 基于奇異熵的噪聲去除方法

根據(jù)奇異值分解理論[10]，對(duì)于任意一個(gè)m×n維的矩陣W，必然存在一個(gè)m×p維的矩陣U,一個(gè)p×p維的矩陣Λ以及一個(gè)p×n維的矩陣V，滿足下述關(guān)系

W=U·Λ·VT

(1)

式中 對(duì)角陣Λ的主對(duì)角元素λi(i=1,2,…,p)非負(fù)且按照降序排列，為矩陣W的奇異值。通常，當(dāng)原始信號(hào)信噪比較高時(shí)，奇異值分解后的對(duì)角陣可表示為Λ=diag(λ1,λ2,…,λi，0,…,0),i0。當(dāng)原始信號(hào)信噪比較低時(shí)，對(duì)角陣為Λ=diag(λ1,λ2,…,λi,…,λp)，λ>0，i=1,2,…,p。奇異熵的定義式為

(2)

式中k為奇異熵的階次；ΔEi為奇異熵在階次i處的增量；該增量可由式(3)計(jì)算得到

(3)

利用延時(shí)嵌陷將原始信號(hào)x(t)=[x(t)x(t+τ)x(t+2τ)x(t+3τ)·…]映射到一個(gè)m×n維的矩陣D中

(4)

對(duì)矩陣D進(jìn)行奇異值分解，并求得其奇異熵以及奇異熵增量，獲取出奇異譜，由此為依據(jù)對(duì)矩陣D進(jìn)行定階。對(duì)于同一信號(hào)而言，無論噪聲干擾的程度如何，對(duì)信號(hào)的完整有效信息進(jìn)行特征提取時(shí)所需的奇異譜階次(即信號(hào)系統(tǒng)的階次)一定，因此，可以選擇奇異譜中奇異熵增量降低到近乎平穩(wěn)狀態(tài)時(shí)的階次l作為信號(hào)的有效特征提取階次l。在此基礎(chǔ)上，保留對(duì)角陣Λ的前l(fā)個(gè)主對(duì)角元素，其余主對(duì)角元素置零，記為Λ′，將矩陣Λ′代入式(1)，得到矩陣W′，實(shí)現(xiàn)了對(duì)原始信號(hào)降噪的目的。

2.2 LS-SVR故障診斷與定位

假設(shè)訓(xùn)練樣本集為{(xi,yi)|i=1,2,…,n}，xi∈Rn為輸入樣本，yi∈R為輸出樣本或目標(biāo)值，則在樣本誤差范圍ε(亦稱作為樣本的擬合精度)內(nèi)滿足線性回歸模型f(x)=wTx+b，w為權(quán)重系數(shù)向量，b為常數(shù)，且滿足[11]

(5)

LS-SVR模型通常選擇w的歐拉范數(shù)作為損失函數(shù)，同時(shí)考慮到超出精度范圍的擬合誤差，引入誤差變量ei以處理不滿足式(5)的數(shù)據(jù)點(diǎn)，優(yōu)化目標(biāo)表示為

(6)

式中 第一項(xiàng)由于使回歸函數(shù)更平坦，泛化能力更好；第二項(xiàng)用于減少誤差；λ為控制模型復(fù)雜程度與逼近誤差的折中系數(shù)，λ越大，模型對(duì)于數(shù)據(jù)的擬合程度越高，但是泛化能力越差，同時(shí)建模的復(fù)雜度也會(huì)隨之增加。采用Lagrange算法進(jìn)行參數(shù)選擇。

針對(duì)于振動(dòng)信號(hào)的非線性特點(diǎn)，選擇徑向基函數(shù)σ作為LS-SVR模型的核函數(shù)，其中,σ為核函數(shù)寬度。σ和λ確定了模型的學(xué)習(xí)能力和泛化能力。本文采用循環(huán)尋優(yōu)的方式確定最佳的σ和λ。

3 測(cè)試與結(jié)果分析

首先對(duì)設(shè)計(jì)的RFID振動(dòng)傳感器標(biāo)簽通信距離進(jìn)行測(cè)試，圖2為RFID振動(dòng)傳感器標(biāo)簽以及測(cè)試環(huán)境，圖3為通信距離測(cè)試結(jié)果。通常通信距離以閱讀頻率來衡量，每秒可完成的讀取次數(shù)在10次及以上時(shí)可認(rèn)為當(dāng)前所測(cè)試的通信距離為有效距離。由圖3可看出：當(dāng)通信距離為10 m時(shí)，閱讀速率為10次/s，當(dāng)距離超過10 m時(shí)，閱讀速率低于10次/s，因此,本文所設(shè)計(jì)的標(biāo)簽最大通信距離為10 m。

圖2 RFID振動(dòng)傳感器標(biāo)簽與通信測(cè)試環(huán)境

圖3 通信距離測(cè)試結(jié)果

實(shí)驗(yàn)選取的故障樣本數(shù)據(jù)來源于本實(shí)驗(yàn)室團(tuán)隊(duì)設(shè)計(jì)的穿梭車的軸承在正常工作狀態(tài)和故障狀態(tài)下，重復(fù)進(jìn)行2 000次采樣實(shí)驗(yàn)所獲取的輸出信號(hào)，每種狀態(tài)各1 000組，每組20個(gè)數(shù)據(jù)。圖4為實(shí)際測(cè)試場(chǎng)景，圖5為正常狀況下的振動(dòng)波形。正常情況下該波形應(yīng)為標(biāo)準(zhǔn)正弦波[12]。由圖5可知，所測(cè)得的原始信號(hào)并非標(biāo)準(zhǔn)的正弦信號(hào)，首先應(yīng)去除該信號(hào)中的噪聲成分,以提高故障診斷的速度與精度。圖6為經(jīng)由SVD去除噪聲之后的信號(hào)，可以明顯看出去除噪聲后的波形為標(biāo)準(zhǔn)正弦波。

圖4 測(cè)試場(chǎng)景

圖5 正常狀況下的振動(dòng)信號(hào)

圖6 去除噪聲后的振動(dòng)信號(hào)波形

建立LS-SVR模型，并將上述所得振動(dòng)信號(hào)數(shù)據(jù)輸入到該LS-SVR模型中，利用該模型對(duì)振動(dòng)信號(hào)數(shù)據(jù)生成的殘差對(duì)監(jiān)測(cè)位置的軸承狀態(tài)進(jìn)行監(jiān)測(cè)，當(dāng)殘差超過一定閾值時(shí)，即可判定該位置的軸承存在故障。圖7為正常狀況下以及故障時(shí)所得到的殘差結(jié)果。正常狀態(tài)下，輸出的殘值在±0.003 2范圍內(nèi)波動(dòng)，當(dāng)故障發(fā)生時(shí)，殘差增加到0.04附近，通過實(shí)驗(yàn)數(shù)據(jù)可設(shè)定殘差閾值為0.03，通過輸出殘差值與閾值的比較即可實(shí)現(xiàn)對(duì)穿梭車軸承的故障在線診斷。

圖7 正常與故障狀態(tài)下LS-SVR模型輸出殘差

4 結(jié) 論

提出了基于RFID振動(dòng)傳感器標(biāo)簽的穿梭車軸承故障在線診斷技術(shù)，實(shí)驗(yàn)結(jié)果證明：基于RFID振動(dòng)傳感器標(biāo)簽的穿梭車軸承故障診斷技術(shù)可以快速精確地確定出軸承的狀態(tài)，并且在故障狀態(tài)下能快速地定位出故障位置，具有良好的應(yīng)用前景。

參考文獻(xiàn):

[1] 滕麗麗,唐 濤,王明鋒.基于振動(dòng)分析的滾動(dòng)軸承故障診斷技術(shù)概述及發(fā)展趨勢(shì)[J].科技信息,2011(23):101-129.

[2] 孫毅剛,王 雷,薛仲瑞,等.基于BP網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)傳感器硬故障檢測(cè)[J].傳感器與微系統(tǒng),2013,32(7):120-122.

[3] 袁加奇,鄧曉亭,朱思洪,等.基于加速度傳感器的拖拉機(jī)振動(dòng)特性研究[J].傳感器與微系統(tǒng),2016,35(12):72-74.

[4] 孫 倩,尹 菲,尚 晶.基于壓電式加速度傳感器的船用振動(dòng)測(cè)量儀設(shè)計(jì)[J].傳感器與微系統(tǒng),2013,32(5):71-73.

[5] 高保祿,馮秀芳,熊詩波,等.基于無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合的滾動(dòng)軸承故障診斷[J].中北大學(xué)學(xué)報(bào):自然科學(xué)版,2010,31(3):248-252.

[6] 錢思思,張優(yōu)云,朱永生,等.滾動(dòng)軸承試驗(yàn)機(jī)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].中國測(cè)試,2013(5):83-87.

[7] 徐桂云,蔣恒深,李 輝,等.基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的WSNs數(shù)據(jù)融合軸承故障診斷[J].中國礦業(yè)大學(xué)學(xué)報(bào),2012,41(6):964-970.

[8] 陳 宏,鄧芳明,何怡剛,等.一種適用無源RFID的集成加速度傳感器設(shè)計(jì)[J].傳感器與微系統(tǒng),2015,34(10):86-89.

[9] De Donno D,Catarinucci L,Tarricone L.RAMSES: RFID augmented module for smart environmental sensing[J].IEEE Tran-sactions on Instrumentation & Measurement,2014,63(7):1701-1708.

[10] 葛 垚,孫 強(qiáng),王坤東.基于CNN與SVDD的掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2016,35(10):76-79.

[11] 王宏力,侯青劍.基于GA-LSSVR的殘差生成器設(shè)計(jì)[J].傳感器與微系統(tǒng),2008,27(12):94-96.

[12] Hong K,Huang H,Zhou J.Winding condition assessment of power transformers based on vibration correlation[J].IEEE Transactions on Power Delivery,2015,30(4):1735-1742.