基于無源振動傳感器標簽的軸承故障在線診斷技術*

肖艷霞， 田 杰, 何怡剛， 汪 濤

(1.合肥工業大學 機械工程學院,安徽 合肥 230009； 2.合肥工業大學 電氣與自動化工程學院,安徽 合肥 230009)

0 引 言

利用無線傳感技術在線對軸承故障進行診斷成為當前研究的新熱點[1～7]。然而基于無線通信技術構建的監測傳感網絡，存在功耗高以及結構復雜等缺點，導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]。隨著射頻識別(radio frequency identification,RFID)技術的飛速發展，基于無源RFID標簽的無線傳感技術受到了廣泛關注。基于RFID的無線傳感技術通過反向散射機制與詢問器進行通信[9]，與ZigBee，藍牙等無線通信技術相比，其結構簡單、功耗低、成本低。并且RFID標簽具有定位識別功能，可通過射頻信號自動識別目標對象并獲取相關數據，更加滿足長期在線診斷的需求。

本文提出了一種基于RFID振動傳感器標簽的軸承故障在線診斷技術，相較于傳統的故障診斷技術具有成本低，實時性好，無需設備停運等優點。利用振動傳感器標簽采集軸承振動信號，利用奇異值分解(singular value decompo-sition,SVD)，基于奇異熵對原始信號進行去噪；最終利用最小二乘支持向量回歸(least squares support vector regression，LS-SVR)對處理后的信號進行分析，實現了對軸承故障的在線診斷。

1 在線故障診斷系統設計

圖1為本文設計的RFID振動傳感器標簽的結構。整個標簽由分立元件搭建在FR4基底上，由3個模塊組成：能量模塊、數字模塊和RFID模塊。能量管理模塊通過天線獲取閱讀器發出的信號中的能量并利用升壓整流電路將其轉換為直流電壓，為數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，用于實現對傳輸信號的調制與解調，并將所測振動信號傳送給閱讀器。

圖1 RFID振動傳感標簽結構

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，同時為了獲得最大能量傳輸效率，采用高品質因數的可調射頻電感以及高品質因數的可調高頻電容器用以實現阻抗匹配。設計了兩級升壓整流電路用于將天線獲取的射頻能量轉換為1.8 V的直流電壓，為單片機(microcontroller unit,MCU)、 RFID芯片以及三軸加速度傳感器提供工作電壓，針對于超高頻工作環境，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。 為了更進一步提高該標簽的運行可靠性，采用了超級電容器作為輔助能源。

1.2 數字模塊

采用了低壓降穩壓器以獲取穩定的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

由于該傳感器標簽應用于金屬環境之中，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非易失存儲容量和一個I2C接口，傳感器所測得的數據可通過I2C接口傳輸到該芯片中，當標簽被閱讀器激活時，標簽以反向散射的方式將數據傳輸給相應閱讀器。

2 噪聲去除與故障診斷

2.1 基于奇異熵的噪聲去除方法

根據奇異值分解理論[10]，對于任意一個m×n維的矩陣W，必然存在一個m×p維的矩陣U,一個p×p維的矩陣Λ以及一個p×n維的矩陣V，滿足下述關系

W=U·Λ·VT

(1)

式中 對角陣Λ的主對角元素λi(i=1,2,…,p)非負且按照降序排列，為矩陣W的奇異值。通常，當原始信號信噪比較高時，奇異值分解后的對角陣可表示為Λ=diag(λ1,λ2,…,λi，0,…,0),i0。當原始信號信噪比較低時，對角陣為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)計算得到

(3)

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

(4)

對矩陣D進行奇異值分解，并求得其奇異熵以及奇異熵增量，獲取出奇異譜，由此為依據對矩陣D進行定階。對于同一信號而言，無論噪聲干擾的程度如何，對信號的完整有效信息進行特征提取時所需的奇異譜階次(即信號系統的階次)一定，因此，可以選擇奇異譜中奇異熵增量降低到近乎平穩狀態時的階次l作為信號的有效特征提取階次l。在此基礎上，保留對角陣Λ的前l個主對角元素，其余主對角元素置零，記為Λ′，將矩陣Λ′代入式(1)，得到矩陣W′，實現了對原始信號降噪的目的。

2.2 LS-SVR故障診斷與定位

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

(5)

LS-SVR模型通常選擇w的歐拉范數作為損失函數，同時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)的數據點，優化目標表示為

(6)

式中 第一項由于使回歸函數更平坦，泛化能力更好；第二項用于減少誤差；λ為控制模型復雜程度與逼近誤差的折中系數，λ越大，模型對于數據的擬合程度越高，但是泛化能力越差，同時建模的復雜度也會隨之增加。采用Lagrange算法進行參數選擇。

針對于振動信號的非線性特點，選擇徑向基函數σ作為LS-SVR模型的核函數，其中,σ為核函數寬度。σ和λ確定了模型的學習能力和泛化能力。本文采用循環尋優的方式確定最佳的σ和λ。

3 測試與結果分析

首先對設計的RFID振動傳感器標簽通信距離進行測試，圖2為RFID振動傳感器標簽以及測試環境，圖3為通信距離測試結果。通常通信距離以閱讀頻率來衡量，每秒可完成的讀取次數在10次及以上時可認為當前所測試的通信距離為有效距離。由圖3可看出：當通信距離為10 m時，閱讀速率為10次/s，當距離超過10 m時，閱讀速率低于10次/s，因此,本文所設計的標簽最大通信距離為10 m。

圖2 RFID振動傳感器標簽與通信測試環境

圖3 通信距離測試結果

實驗選取的故障樣本數據來源于本實驗室團隊設計的穿梭車的軸承在正常工作狀態和故障狀態下，重復進行2 000次采樣實驗所獲取的輸出信號，每種狀態各1 000組，每組20個數據。圖4為實際測試場景，圖5為正常狀況下的振動波形。正常情況下該波形應為標準正弦波[12]。由圖5可知，所測得的原始信號并非標準的正弦信號，首先應去除該信號中的噪聲成分,以提高故障診斷的速度與精度。圖6為經由SVD去除噪聲之后的信號，可以明顯看出去除噪聲后的波形為標準正弦波。

圖4 測試場景

圖5 正常狀況下的振動信號

圖6 去除噪聲后的振動信號波形

建立LS-SVR模型，并將上述所得振動信號數據輸入到該LS-SVR模型中，利用該模型對振動信號數據生成的殘差對監測位置的軸承狀態進行監測，當殘差超過一定閾值時，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所得到的殘差結果。正常狀態下，輸出的殘值在±0.003 2范圍內波動，當故障發生時，殘差增加到0.04附近，通過實驗數據可設定殘差閾值為0.03，通過輸出殘差值與閾值的比較即可實現對穿梭車軸承的故障在線診斷。

圖7 正常與故障狀態下LS-SVR模型輸出殘差

4 結 論

提出了基于RFID振動傳感器標簽的穿梭車軸承故障在線診斷技術，實驗結果證明：基于RFID振動傳感器標簽的穿梭車軸承故障診斷技術可以快速精確地確定出軸承的狀態，并且在故障狀態下能快速地定位出故障位置，具有良好的應用前景。

參考文獻:

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

[2] 孫毅剛,王 雷,薛仲瑞,等.基于BP網絡的航空發動機傳感器硬故障檢測[J].傳感器與微系統,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振動特性研究[J].傳感器與微系統,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測量儀設計[J].傳感器與微系統,2013,32(5):71-73.

[5] 高保祿,馮秀芳,熊詩波,等.基于無線傳感器網絡數據融合的滾動軸承故障診斷[J].中北大學學報:自然科學版,2010,31(3):248-252.

[6] 錢思思,張優云,朱永生,等.滾動軸承試驗機遠程監測系統的設計與應用[J].中國測試,2013(5):83-87.

[7] 徐桂云,蔣恒深,李 輝,等.基于PCA-RBF神經網絡的WSNs數據融合軸承故障診斷[J].中國礦業大學學報,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計[J].傳感器與微系統,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,王坤東.基于CNN與SVDD的掘進機智能監測系統設計[J].傳感器與微系統,2016,35(10):76-79.

[11] 王宏力,侯青劍.基于GA-LSSVR的殘差生成器設計[J].傳感器與微系統,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.