探究滾動軸承狀態監測方法與分析

高凌妤

摘 要 各類旋轉機械中最常用的通用零部件就是滾動軸承，由于旋轉精度一般都較高所以容易出故障。如果能通過軸承產生的異常信號檢測出軸承故障，則可以有效減少經濟損失。智能化滾動軸承狀態監測利用壓電式加速度傳感器進行振動信號的采集，將數據導入MATLAB程序中，通過時域分析與頻域分析來找到滾動軸承工作時的有效特征值，將這些特征值輸入BP神經網絡，建立一個識別系統，可以對一個軸承工作狀態振動信號的分析來辨別這個軸承是否發生故障。

關鍵詞 滾動軸承 狀態監測 MATLAB BP神經網絡

中圖分類號：TH133 文獻標識碼：A

1 監測軸承的意義和重要性

滾動軸承是各種旋轉機械中應用最廣泛的一種通用機械部件，它們在旋轉機械中起著關鍵的作用，旋轉機械的故障30%是由滾動軸承故障引起的，其運行狀態的正常與否直接影響到整臺機器的性能（包括精度、可靠性及壽命等）。因此，及時發現滾動軸承的故障并消除，能有效保證機器正常運轉，提高使用壽命。

2 常見軸承故障

滾動軸承在工作過程中，常見的軸承故障可總結為損傷和磨損兩大類。損傷類故障有疲勞剝落、塑性變形、軸承燒傷、銹蝕 、斷裂、膠合六種；磨損類故障為軸承長期正常工作引起的漸變性故障。

（1）疲勞剝落

在工作中，軸承滾子和滾道接觸面相對滾動的同時又互相擠壓，軸承部件接觸面將產生小的剝落坑，最終發展為大面積剝落，該現象稱作疲勞剝落。

（2）塑性變形

當工作載荷過重時，由于滾 動 軸 承 承受 的 過 大 的 沖 擊 力 和 靜 載 荷 的 原 因 ，軸承滾道的表面上形成的不均勻凹坑，這種現象主要發生在低速旋轉的軸承上。

（3）斷裂

過大的負荷和工作過程中摩擦產生的熱應力過大時能引起軸承零件斷裂。

（4）軸承燒傷

軸承潤滑不良、應用變質的潤滑油、裝配過緊或存在較大偏斜量能引起軸承的燒傷。

（5）膠合

軸承在高速高負荷和潤滑欠缺的情況下，摩擦產生的熱量能使軸承部件迅速升溫，到達一定溫度時能引起軸承部件接觸的金屬表面相互粘接，該現象稱作膠合。

3 常用的滾動軸承監測數據分析手段

利用振動信號對故障進行診斷，是設備故障診斷方法中有效且常用的方法。機械設備和機構系統在運行過程中的振動及其特征信息是反映系統狀態及其變化規律的主要信號。通過各種動態測試儀器提取、記錄和分析動態信息，是進行系統狀態監測和故障的主要選徑。常用的信號處理方法主要有時域分析、頻域分析和小波分析等。

4 信號采集和特征值提取

通過加速度傳感器可提取到振動信號。滾動軸承的振動信號的特征包括時域和頻域特征，這些特征的合理組合能夠很好的反應滾動軸承的運行狀態，實現對其的監測，并能通過進一步處理實現故障的識別。時域特征可包含信號的能量、波動性等信息，但遠遠不足以準確判斷故障所在；頻域的特征則是更加明顯。然而只有兩累特征綜合來判斷才能對故障進行準確識別。

對時域和頻域的各個參數分別進行分析，從中抽取特征，可用作模式識別的輸入量。特征選取依據以下原則：（1）同種狀態信號的特征重復性好；（2）不同種狀態信號的特征差異性好，即當被監測對象狀態發生改變時，特征值會明顯改變。

5 神經網絡的模式識別

5.1 人工神經網絡的基本原理

（1）人工神經元模型

最早提出神經元模型并且影響較人的是1943年心理學家在分析總結神經元基本特性的基礎上首先提出的MP模型。人工神經元模型是由大量處理單元廣泛互連而成的網絡，是人腦的抽象、簡化、模擬，反映人腦的基本特性。

（2）人工神經網絡結構。

神經網絡常分成兩大類：沒有反饋的前向神經網絡和相互結合型網絡，如圖4.1所示。

前向神經網絡由輸入層、一層或多層的隱含層和輸出層組成，每一層的神經元只接受前一層神經元的輸出。相互連接是指網絡中任意兩個單元之間都是可達的，即存在連接路徑。

5.2 BP神經網絡

（1）BP神經網絡的結構

BP神經網絡，即多層前饋式誤差反傳神經網絡，通常由輸入層、輸出層和若干隱含層構成：每一層都由若干個節點組成，每一個節點表示一個神經元，上層節點與下層節點之間通過權值連接，層與層之間的節點采用全互聯的連接方式。神經網絡的結構圖如下所示：

（2）網絡參數的確定

①網絡層數的確定

BP網絡是通過輸入層到輸出層的計算來完成的。多一層的隱含層雖然能提高網絡的訓練速度，但是需要較多的訓練時間，而訓練速度可以用增加隱含層節點個數來實現，因此在應用BP神經網絡時，選取只有一個隱含層的三層BP神經網絡就足夠了。

②輸入、輸出層神經元個數的確定

輸入層的神經元個數就是提取到的有效特征值的個數；輸出層神經元的個數要看問題模式的種類數，監測軸承的好壞有正常與故障兩種模式，故輸出層神經元的個數為1。當輸出為1時表示該軸承為正常軸承，輸出為0時表示該軸承為故障軸承。

③隱層神經元個數的確定

隱層神經元個數的確定比較復雜。在具體設計時，首先根據經驗公式初步確定隱含層神經元個數，然后通過對網絡進行訓練對比，再最終確定神經元數。通用的隱含層神經元數的確定經驗公式有：

其中為隱含層神經元的個數，n為輸入層神經元的個數，m為輸出層神經元的個數，a為常數且1 < a < 10。

6 結束語

通過對軸承特征值的提取，提取到了重復性好、差異性好的有效特征值。利用神經網絡模式對軸承的工作狀態進行有效的識別，將歸一化處理后的有效特征值作為神經網絡的輸入參數輸入，用實驗所測得的數據對BP神經網絡進行訓練，從而達到軸承狀態識別的目標。

參考文獻

[1] 雷建中，張增岐.國內外軸承廢品及失效分析.NSTL期刊，2010.7.

[2] 武棟梁.滾動軸承常見故障及其振動信號特征.中國航空導彈研究院，2012.6

[3] 蘇寶定.滾動軸承振動檢測與智能診斷系統研究.大連理工大學，2008.12

[4] 常文龍，胡朋.滾動軸承運行狀態智能化監測.科教導刊，2013.3

[5] 張銳，姜樹海等.機械故障診斷技術的新動向一一人工神經網絡在其上的應用.森林工程1999.6.

[6] 楊建綱，戴德成.改進BP網絡在旋轉機械故障診斷中的應用.振動工程學報，1995.8.