基于樹莓派的振動信號獲取及檢測系統(tǒng)

張貞秀 葛遷 劉欣

摘要：本文以樹莓派為開發(fā)平臺，選用MPU9250加速度傳感器獲取機械設備的振動信號，設計一種機械設備的實時振動檢測方法。設備旋轉部件的故障表現為旋轉頻率的諧波成分，利用傅里葉分析將信號從時域信號分解為頻域信號，構建信號的頻譜圖，從中鑒別出信號是否包含故障信號的頻率成分。利用Python語言和QT圖形GUI模塊，實現軟件系統(tǒng)。

關鍵詞：振動信號;樹莓派;MPU9250;服務器

中圖分類號：TP311? ? 文獻標識碼：A

文章編號：1009-3044（2021）27-0145-02

1? 引言

軸承等機械部件常在重負荷、高速和強沖擊的工作環(huán)境下運轉 ，其零部件（內圈、外圈、滾珠等）容易出現損傷[1]，如不及時發(fā)現，極有可能引發(fā)生產安全事故，甚至造成生產停滯，人員傷亡，帶來負面的社會影響和巨大經濟損失。因此，利用物聯(lián)網及人工智能技術對這種重要大型設備運行健康狀態(tài)實時檢測、評估及預測，發(fā)現其故障，消除安全 隱患，具有重要的社會、工程和理論價值。

20世紀80年代以來，國內外學者開始利用振動信號分析手段，對診斷軸承故障展開研究。故障的預報與診斷研究從簡單的信號分解，直到現在的信號包絡分析方法。

軸承振動信號的突變通常預示軸承發(fā)生某種故障。在軸承體周圍安裝加速度傳感器，獲取軸承振動信號，計算振動特征，如傅里葉變換（FT）、小波變換（WT）等信號處理方法[2-4]，進而發(fā)現故障特征信號。然而，這種簡單的信號分析方法很難識別從振動頻譜中識別出故障特征頻率。

針對振動信號的非平穩(wěn)、非線性特征，國內外研究人員提出了多種時頻結合的振動信號分析方法，進而發(fā)現信號在高頻域的頻率細節(jié)，提供全面、詳細的時頻特征，如小波包變換（WPT）[5]，短時傅里葉變換（STFT）[6]，希爾伯特-黃（HHT）[7]等方法。

2? 整體方案設計

系統(tǒng)主要由樹莓派和MPU9250和云服務器構成。其中樹莓派負責采集MPU9250的原始數據，并將采集的數據傳輸給PC端，并將數據繪制成頻譜圖。并且MPU9250的原始數據會通過樹莓派上的MQTT協(xié)議發(fā)送到云服務器。服務器接收到數據通過數據庫屬性關聯(lián)實現數據庫本地存儲，此環(huán)節(jié)包括數據庫環(huán)境配置以及VNC連接等。

3 系統(tǒng)模塊設計

3.1 振動信號監(jiān)測終端設計

監(jiān)測終端的結構如圖1所示，主要包括 模擬信號采集，AD轉化，4G通信等模塊。首先，獲取利用振動傳感器獲取設備運行數據，其次，由傳感器數據采集模塊感知數據，再將數據處理后通過通信系統(tǒng)傳輸到控制中心，最后，云服務中心并發(fā)接收數據，對其進行分析處理，為決策和控制提供依據。

3.2 振動信號分析

信息采集終端具有邊緣計算能力，對采集到的振動信號初步分析，預判是否存在疑似信號采集終端一旦獲取數據后，利用信號分析，對數據進行分析處理，實現減速器初步故障預判。主要工作包括：信號獲取、信號去噪、信號分解及特征值計算等，處理流程如圖2所示。

對于信號處理方式，本系統(tǒng)采用自適應濾波相抵消（Self-adaptive noise cancellation）方法，去除噪聲信號。因為機械振動信號通常具有相關性，信號與噪聲具有獨立性，將參考輸入到自適應濾波器，將主輸入中噪聲分量逼近參考輸入，并相減，從而消除誤差信號。適應濾波相抵消是一個迭代過程，其過程如圖3所示，利用最小均方求解其參數。

3.3? 數據傳輸模塊設計

數據傳輸應用協(xié)議基于TCP協(xié)議實現，通信過程如圖4所示，主要包括三部分內容：

第一，通信保持協(xié)議，包括連接保持、鏈路初始化、終端與主機時間校對等。當沒有數據傳輸時，由定時器設定固定周期，啟動測試過程。當一方發(fā)起鏈路測試請求報文時，另一方必定在規(guī)定時間內對該測試請求做出響應。否則發(fā)起方會關閉鏈路，斷開連接，重新初始化鏈路。

第二，異步數據傳輸機制，包括特征數據傳輸及原始信號傳輸，如圖5所示。云主機收到信號采集終端數據分組后，等待定時器超時或者需要確認的數據幀達到一定數目時，對終端進行確認。

第三，防止報文重復和報文丟失協(xié)議。本系統(tǒng)采用序列號和確認機制保證數據傳輸的可靠性。若接收端接收到的報文序列號不連續(xù)，將主動斷開鏈路重新建立連接。否則，向對方發(fā)送確認報文。若收到重復序號的報文則丟棄該報文。

4? 結論

本文以樹莓派為開發(fā)平臺，利用MPU9250加速度傳感器獲取機械設備的振動信號，設計一種機械設備的實時振動檢測方法，本設計抗干擾能力強，可以針對這種復雜的信號中去偽存真，分析發(fā)現故障信息。

參考文獻：

[1] Nandi S，Toliyat H A，Li X.Condition monitoring and fault diagnosis of electrical motors—A review[J].IEEE Transactions on Energy Conversion，2005，20（4）：719-729.

[2] Rai V K，Mohanty A R.Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert-Huang transform[J].Mechanical Systems and Signal Processing，2007，21（6）：2607-2615.

[3] Randall R B，Antoni J.Rolling element bearing diagnostics—A tutorial[J].Mechanical Systems and Signal Processing，2011，25（2）：485-520.

[4] Tandon N，Choudhury A.A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings[J].Tribology International，1999，32（8）：469-480.

[5] Yang Y，Dong X J，Peng Z K，et al.Vibration signal analysis using parameterized time-frequency method for features extraction of varying-speed rotary machinery[J].Journal of Sound and Vibration，2015，335：350-366.

[6] Qiu H，Lee J，Lin J，et al.Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J].Journal of Sound and Vibration，2006，289（4/5）：1066-1090.

[7] Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

【通聯(lián)編輯：梁書】