滾動軸承運行狀態智能化監測

西南交通大學機械工程學院 四川成都 611756

摘要：通過采集好的軸承和壞的軸承運行時振動的數據，并進行信號的預處理零均值化和消除趨勢項處理，再使用matlab對處理過后的數據進行傅里葉變換，提取特征值。再對所提取的特征值進行歸一化處理，建立BP神經網絡，訓練網絡，測試網絡。

關鍵詞：傅里葉變換BP神經網絡；時域分析；頻域分析

引言

滾動軸承作為機械設備中重要的旋轉零件，也是機械設備的重要故障源之一，統計表明：在使用滾動軸承的旋轉機械中，大約有30%的機械故障是滾動軸承引起的，感應電機故障中的滾動軸承故障約占電機故障的4O%左右，齒輪箱各類故障中的軸承故障率僅次于齒輪而占20%。據有關資料表明，我國現有的機車用滾動軸承，每年約有40%要經過下車檢驗，而其中的33%左右被更換，據統計，對機械設備應用狀態監測與故障診斷技術后，事故發生率可降低75%，維修費用可減少25%～5O%。【1】滾動軸承是旋轉機械中應用最廣的機械零件，由于本身質量和外部條件的原因，致使它是最易損壞的元件之一。。其缺陷會導致設備產生異常振動和噪聲，甚至造成設備損壞，影響到生產的連續性。在工業應用系統中，滾動軸承引發的故障是引起機器設備失效的重要原因。

滾動軸承的主要失效方式：疲勞剝落（點蝕） 磨損 膠合 裂紋和斷裂 電蝕、銹蝕 塑性變形 保持架損壞.等

1人工智能信號分析方法

人工智能神經網絡，一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的

研究表明，當軸承元件在負載旋轉過程中出現疲勞、壓痕或局部腐蝕等故障時將會對元件產生沖擊振動，而這些振動反復互激，又引起更大振顫，可以用振動傳感器（加速度計）獲取滾動軸承的振動加速度信息。作為二次效應的振動加速度信號X 可以看作是滾動軸承旋轉角速度的非線性函數，對于這樣一個動態非線性系統，可用如下離散系統加以描述，即：

X（k）= f[X（k- 1），X（k- 2），…，X（k- n）；Ξ（k），Ξ（k- 1），…，Ξ（k- m）]m≤n（1）

式中 X（k）——加速度計的輸出采樣值

Ξ（k）——軸承內環旋轉角速度的采樣值

在此，完全可以應用神經網絡構造軸承的非線性模型，并可依據該模型實現故障的在線檢測【2】。

2數據處理流程

信號的預處理——零均值化

在測試中由數據采集所得的原始信號，在分析前需要進行預處理，以提高數據的可靠性和真實性，并檢查信號的隨機性，以便正確地選擇分析處理方法。本設計中，我們采用零均值化處理。零均值化處理又稱中心化處理。就變為一個均值為零的新信號（n=1，2，…，N）。

2）消除趨勢項

在振動測試過程中，采集到的振動信號數據由于放大器隨溫度變化產生的零點漂移、傳感器頻率范圍外的低頻性能的不穩定以及傳感器周圍的環境干擾往往會偏離基線，甚至偏離基線的大小還會隨時間變化。因此測試信號分析中常要消除趨勢項，這也是信號預處理中一個重要步驟。趨勢項的消除方法有多種。使用最小二乘法。

3.特征值抽取過程

由于制造裝配誤差以及其他許多因素都會引起軸承振動，傳感器拾取的振動信號中除了損傷引起的沖擊性振動信號外，還包含了大量的其他振動信號。下面對時域和頻域的各個參數分別進行分析，從中抽取特征，用作模式識別的輸入量。特征選取依據以下原則：

一：同種狀態信號的特征重復性好；

二：不同種狀態信號的特征差異性好。

3.1）時域頻域特征值抽取：

時域頻域特征值抽取時間域信號的評價指標。一個信號時域參數有如下一些：均方根值、峰態系數、峰值、峰值因子、脈沖因子、波形因子、峭度、裕度系數……滾動軸承的振動信號在采集過程都是以時間為單位的，以一定的采樣頻率在一定的時間內采集傳感器信號，得到大量的數據點，這些點以時間為橫坐標呈現在坐標系中，就得到滾動軸承的振動信號時域的抽樣信號。

3.2）頻率域特征值的抽取

頻率域特征值抽取頻率域信號的評價指標。一個信號頻率域參數有如下一些：重心頻率、頻率方差、均方頻率

3.3）傅里葉變換

傅里葉分析是基于傅里葉變換的基礎上進行分析的。它能將一個信號分解為一個直流分量和一個交流分量。然后對分解得到的信號進行頻譜分析。一般我們我們是用加速度傳感器采集的振動信號。【3】

3.4）特征值的歸一化處理

將取得的特征值列成一個矩陣的形式，并且對每一行驚醒歸一化處理，使得每一行數據的和為一。

3建立BP神經網絡，訓練網絡，測試網絡。

3.1輸入、輸出層的設計

在軸承狀態監測過程中，樣本數據來源于實驗數據分析后提取的有效特征值為n組。所以網絡輸入神經元個數為n；網絡輸出為軸承狀態，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網絡中只設計2個輸出神經元表示這2個狀態。綜上所述，該BP網絡輸入層有n個神經元，輸出層有2個神經元。

3.2隱層的選擇

對于軸承的不同狀態進行識別，建立神經網絡對它進行訓練，用上述提到的公式來確定隱層個數，即就是其中的為第一層的神經元個數，為隱層神經元個數。那么在本文的軸承狀態識別中，由于輸入為n個神經元，輸出為2個神經元，由參考公式可知隱層神經元在2n-1左右。下面就設計一個隱層可以隨意改變的BP神經網絡，通過誤差對比確定隱層數目。

3.3 選擇的數據

選擇數據從上表和圖中觀察可發現，經過若干次次的訓練后（訓練函數采用traingdx），隱含層神經元為n3的BP網絡對函數的逼近效果最好，因為它的誤差最小所以這里將網絡隱含層的神經元數目設定為n3。

3.4 訓練網絡

BP網絡輸入層有n個神經元，輸出層有2個神經元，隱層有n3個神經元。

測試結果為： 期望結果為：

G2010

0.00950.9874

01

01故障軸承

11正常軸承

Z2010

0.98810.9874

11

由上面測試：可以知道，建立起來的網絡對軸承狀態的識別系統是完全正確的。能夠有效地識別正常軸承和故障軸承。以后進行模式識別時，只要將測得的數據輸入這個網絡就可以根據它的輸出結果正確的識別出軸承的狀態。

總結：滾動軸承的應用非常廣泛，其狀態好壞直接關系到機械的運行狀態。因此，實際生產中做好滾動軸承狀態監測與故障診斷是搞好機械維修與管理的重要環節。所以針對各種不同使用環境和要求，要選用適當的軸承狀態檢測方法，在盡可能節約而又簡單的前提下達到軸承檢測的目的。但是采用這些傳統方法分析仍需要進行人工判別，不能在線地進行故障診斷。采用神經網絡方法，利用軸承的振動信號為滾動軸承建立動態非線性模型，并利用該模型能在線地實現對滾動軸承故障的自動測試診斷。

參考文獻：

[1]李興林，張仰平，曹茂來，張燕遼，陸水根，李建平 軸承故障監測診斷技術新進展（杭州軸承試驗研究中心有限公司，浙江杭州310022）

[2]莊哲民 基于神經網絡的滾動軸承檢測（汕頭大學電子工程系 汕頭515063）林志強（東南大學電子工程系 南京 210018）

[3]盧文祥.工程測試與信息處理.武漢：華中理工大學出版1991.5.