軸承故障預診與健康管理實驗設計和軟件開發

潘旭東, 喬 楨, 易永余, 閆紀紅, 李 強, 王濱生

(1. 哈爾濱工業大學 機電工程學院, 黑龍江 哈爾濱 150001；2. 杭州安脈盛智能技術有限公司, 浙江 杭州 310051)

1 機械設備預測性維護的重要性

當今世界科學技術迅速發展,機械設備越來越智能化、自動化和高速化,機械結構也越來越復雜。特別是石油、化工、冶金、電力等流程工業的機械設備與生產過程緊密相連,形成很多大型設備系統。然而,這些大型機械設備系統的隱形故障概率也變大,一但出現惡劣的異常事件,即有可能造成嚴重的生產事故和重大的經濟損失[1-2]。

隨著計算機技術和信號數據處理技術的長足進步,出現了基于狀態的設備維修方式。這種維修方式不同于事后維修或者定期性維修,而是基于對機械設備的實時監測,從監測得到的數據對設備的健康狀態進行評估和診斷,并依據評估結果進行適當的維修和維護,能有效避免設備的突發故障。預測性維護的主要流程如圖1所示。

圖1 預測性維護流程圖

在機械設備的維修方式從傳統的定期性維修或事后維修為主，向預防性、預測性維護為主轉變的背景下,進行機械設備核心零件的故障預診與健康管理,可以穩健地提升設備的安全保障能力[3]。

推進智能制造是“中國制造2025”的主攻方向,而工業大數據是智能制造的重要支撐技術之一。隨著工業大數據的發展,設備故障預測與健康管理技術(prognostics and health management,PHM)逐步成為一種監測機械零部件運轉的新型實用技術[4-6]。

哈爾濱工業大學國家級高端裝備虛擬仿真實驗教學中心擁有3個教學平臺[7]。其中“機械工程測試技術基礎”的實驗教學依托于學科基礎課程虛擬仿真實驗教學平臺。為了讓學生更好地接觸PHM這種新興技術,筆者借助國家級高端裝備制造虛擬仿真實驗教學中心,并結合“機械工程測試技術基礎”的實驗建設,設計了一個新的虛擬仿真實驗項目——軸承故障預診與健康管理。該實驗項目有助于開闊學生的新技術視野、豐富智能制造學習的內容。

2 軟件系統總體設計與開發環境

實驗的設計思想符合PHM技術解決問題的思路,能很好地幫助學生掌握PHM的基本概念和常用算法。該軟件系統用Matlab開發,采用圖形化的人機交互界面,整合了常用的PHM分析算法和工具。

該實驗軟件有兩大模塊——在線分析模塊和離線分析模塊,其中離線分析模塊又含有3個子模塊,每個子模塊都含有常用的信號處理和機器學習算法。系統總體設計框架如圖2所示。

圖2 系統總體設計框架

本系統集成開發環境為Matlab 2016a,軟件的圖像化操作界面由Matlab的GUIDE編制,軟件運行系統選擇為Windows 10桌面操作系統。該軟件所使用的樣例數據是美國智能維護系統中心提供的軸承數據,總共含有2 156個樣本數據,每個樣本數據為一個20 480×8的矩陣。該矩陣表示含有20 480個數據點(行數),共有8個傳感器通道(列數)。如果將該軟件應用于其他數據,則需要修改數據讀取源代碼。

3 實驗軟件系統開發與實現

3.1 在線分析模塊

在線分析模塊旨在實時讀入從傳感器采集到的數據,實時計算數據的時域特征指標,并根據歷史上同工況、同型號軸承的運行大數據而得到的經驗閾值,實現實時監測報警功能。

采用虛擬仿真的方式模擬傳感器的數據輸入。通過控制該軟件讀入數據文件的時間間隔,就可以模擬出軟件實時從硬件平臺上采集數據的效果。在這個模塊中,含有讀入信號的時域特征圖和重要的時域特征指標圖。在時域特征指標圖上標有閾值線,若添加的實時特征指標超過閾值線后則會報警。在線分析模塊界面如圖3所示。

圖3 在線分析模塊界面圖

3.2 離線分析模塊

離線分析模塊與在線分析模塊相對應,其功能是用多種方法分析本地已有的數據。此模塊含有3個子模塊,分別是:(1)信號處理及特征提取模塊；(2)模式識別與分類模塊；(3)健康評估與故障診斷模塊。這3個子模塊也是嚴格按照PHM的技術路線來排布的:首先對原始數據進行預處理；然后提取其時域、頻域特征,依據所提取的特征對樣本進行健康與故障的分類(即模式識別)；最后對未知樣本的健康狀況進行預測,從而進行健康管理。

3.3 信號處理及特征提取模塊

該模塊主要是應用多種信號處理方法,從時域、頻域和時頻結合等多個角度來處理原始信號,從而提取信號重要的特征。

3.3.1 時域分析工具

時域分析工具從最基本的時域信號開始分析,顯示輸入信號的時域波形,計算時域特征值。主要關注10個時域特征指標,分別是:(1)平均值；(2)均方根值；(3)均方值；(4)前10均峰值；(5)峰值指標；(6)斜度；(7)峭度；(8)峭度因子；(9)方差；(10)標準差。時域信號如圖4所示。

圖4 時域信號波形圖

3.3.2 頻域分析工具

頻域分析工具應用快速傅里葉變換,將“時域分析工具”中的時域信號轉化為頻域信號,計算頻域信號的統計指標。有了頻域信號,就可以具體判斷軸承故障發生的部位。

按照設計程序算法,自動在軸承的理論故障頻率周圍尋找當前信號頻率譜的局部最大值。如果找到某一故障頻率對應的局部最大值,則可以說明當前頻域信號所對應的軸承狀態出現了該種故障。然而,有時頻率譜對應的是理論故障頻率的倍頻[8]。在程序中也將理論故障頻率的二倍頻納入查找范圍。需注意的是,此處的自動查找故障頻率只是用來輔助使用者快速觀察該信號是否含有故障頻率成分,即使查找到近似頻率,仍需要人為判斷所找到的頻率是否為明顯的故障頻率。頻域分析工具的界面如圖5所示。

圖5 頻域信號波形圖

3.3.3 主成分分析工具

主成分分析是一種將多個相關變量轉化為少數幾個不相關變量的統計學方法。當大量描述同一事物特征的變量數據疊加在一起,可能造成信息嚴重重復。主成分分析的作用就是從現有的眾多變量中選出若干個起主導作用的指標,即主成分[9]。

主成分分析工具用于時域特征融合,產生一個含有足夠信息量的低維矩陣,以供后續的模式識別與故障分類各模塊調用。進行主成分分析前,提取了10個全生命周期的時域特征指標,如圖6所示。

圖6 時域特征指標的歸一化顯示

主成分分析特征融合界面能夠顯示未降維前的全生命周期時域特征指標和降維后各個主成分的累積信息量。

3.4 模式識別與分類模塊

故障診斷的另一個關鍵步驟是依據機器學習方法構建一個恰當的故障模式識別分類器。

在大多數工程實踐中,很難獲得足夠多的經典的故障的或者健康的樣本,所以有必要尋找一種理論上更嚴密的且更加適用于較小樣本的分類器。支持向量機在機械故障診斷領域廣為應用[10-13]。

支持向量機分類工具也分為3部分,分別是模型的訓練、驗證和測試。Matlab提供了5個SVM分類核函數,可以根據數據選擇合適的分類核函數訓練模型。在驗證階段,從數據集中選取不同于訓練樣本數據集的正常類數據集和故障類數據集作為驗證樣本數據集,將驗證集輸入第一步訓練好的SVM模型中,該模型輸出分類結果和分類正確率。在實際應用時,將正在運轉的同工況、同型號軸承的一個采樣周期內的數據輸入上文訓練好的SVM模型,得到該軸承此時的健康狀態。支持向量機工具如圖7所示。

圖7 支持向量機分析界面

3.5 健康評估與故障診斷模塊

軸承健康評估是指設備運行過程中的健康狀態的評估。健康評估是定量判別設備整體的性能指標相對于設備運行初期的性能狀態的下降。

邏輯回歸模型目前常用于評價人體的健康狀況；而機械零件的性能衰退評估能夠近似為人體身體健康狀況評估,可以運用邏輯回歸模型來評價滾動軸承的性能衰退情況[14-15]。

如圖8所示,首先要依據軸承的全生命周期時域特征指標,將軸承的全生命周期數據分為健康、輕微故障、嚴重故障等3個階段,再應用這3個階段的數據片段來訓練邏輯回歸模型,從而得到軸承全生命周期各樣本點的健康評估值。未知的同工況、同型號的樣本也將符合由工業大數據訓練出來的健康回歸模型,從而實現利用該模型進行軸承健康度預測和健康管理。

圖8 邏輯回歸分析界面

4 結語

故障預診與健康管理技術是智能制造技術中的重要環節。軸承故障預診與健康管理實驗通過特征提取、故障診斷和健康評估,計算出軸承全生命周期各個階段的健康度,給出如何應用健康評估模塊和工業大數據進行機械設備的壽命預測和健康管理的方法。該軸承故障預診與健康管理實驗及其軟件開發過程對于學生掌握PHM技術及其應用具有重要的意義。

參考文獻(References)

[1] 雷金波.基于邏輯回歸和支持向量機的設備狀態退化評估與趨勢預測研究[D].上海:上海交通大學,2008.

[2] 楊國安.機械設備故障診斷實用技術[M].北京:中國石化出版社,2007.

[3] 易彩.高速列車輪對軸承狀態表征與故障診斷方法研究[D].成都:西南交通大學,2015.

[4] Lee J, Ni J, Djurdjanovic D, et al. Intelligent prognostics tools and e-maintenance[J].Computers in Industry,2006,57(6):476-489.

[5] Yuan S, Ge M, Qiu H, et al. Intelligent diagnosis in electromechanical operation systems[C]//Proceedings of 2004 IEEE international conference on robotics and automation. 2004:2267-2272.

[6] 周濟.智能制造:“中國制造2025”的主攻方向[J].中國機械工程,2015,26(17):2273-2284.

[7] 尹進峰.電力機車籠型異步牽引電機故障診斷技術的研究[D].長沙:中南大學,2005.

[8] 潘旭東,黃文濤,閆紀紅,等.高端裝備制造虛擬仿真實驗教學中心建設[J].實驗室研究與探索,2016,35(12):147-150.

[9] 賈艷秋,張冰,陳雪梅.滾動軸承的故障機理及診斷[J].化工裝備與技術,2011,32(4):55-56.

[10] 韓業鋒,仲濤,石磊.基于包絡譜分析的滾動軸承故障診斷分析[J].機械研究與應用,2010(4):118-119.

[11] 梁娜.基于神經網絡與主成分分析的組合預測研究[D].武漢:武漢理工大學,2007.

[12] 李萌.旋轉機械軸承故障的特征提取與模式識別方法研究[D].長春:吉林大學,2008.

[13] 李凌均,張周鎖,何正嘉.支持向量機在機械故障診斷中的應用研究[J].計算機工程與應用,2002,38(19):19-21.

[14] Feng Delong, Xiao Mingqing, Liu Yingxi, et al. A kernel principal component analysis-based degradation model and remaining useful life estimation for the turbofan engine[J].Advances in Mechanical Engineering.2016,8(5):1-13.

[15] 鐘鑫.基于邏輯回歸和高斯混合模型的設備故障診斷技術研究與應用[D].北京:北京化工大學,2010.