王小龍

(成都大學(xué) 機(jī)械工程學(xué)院， 四川 成都　610106)

?

滾動(dòng)軸承故障診斷研究

王小龍

(成都大學(xué) 機(jī)械工程學(xué)院， 四川 成都610106)

摘要：滾動(dòng)軸承是機(jī)械工業(yè)的重要零部件，其好壞直接影響到機(jī)器最高性能的發(fā)揮，軸承在工作中承受沖擊載荷與摩擦，內(nèi)部結(jié)構(gòu)易損壞失效，但輕微的故障極不容易發(fā)現(xiàn).構(gòu)建了一個(gè)故障診斷測(cè)試系統(tǒng)，利用MATLAB軟件編程處理數(shù)據(jù)結(jié)合時(shí)域頻域分析方法，最后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別故障診斷研究.

關(guān)鍵詞：滾動(dòng)軸承；MATLAB軟件；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

0引言

軸承廣泛應(yīng)用于礦山機(jī)械、農(nóng)業(yè)裝備、機(jī)械車輛、航空航天等領(lǐng)域，是國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，其發(fā)展水平的高低往往代表或制約著一個(gè)國(guó)家機(jī)械工業(yè)和其他相關(guān)產(chǎn)業(yè)的發(fā)展[1].滾動(dòng)軸承的故障形式多樣，而故障結(jié)果必然影響整個(gè)機(jī)械裝置運(yùn)行效率，甚至引發(fā)災(zāi)難性的后果.本研究運(yùn)用現(xiàn)代監(jiān)測(cè)方法以及信號(hào)處理分析方法，建立BP神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)模式識(shí)別，提高滾動(dòng)軸承故障診斷的正確率，具有一定的工程應(yīng)用前景.

1故障診斷系統(tǒng)總體架構(gòu)設(shè)計(jì)

滾動(dòng)軸承故障狀態(tài)監(jiān)測(cè)診斷測(cè)試系統(tǒng)如圖1所示.

圖1滾動(dòng)軸承故障狀態(tài)監(jiān)測(cè)診斷測(cè)試系統(tǒng)示意圖

本研究中，將加速度傳感器置于軸承實(shí)驗(yàn)裝置上，實(shí)時(shí)獲取軸承的振動(dòng)隨機(jī)信號(hào)，電荷放大處理裝置將傳感器監(jiān)測(cè)的振動(dòng)隨機(jī)信號(hào)進(jìn)行放大處理，然后通過A/D轉(zhuǎn)換器將軸承的模擬信號(hào)轉(zhuǎn)換為計(jì)算機(jī)識(shí)別和便于處理的數(shù)字信號(hào).轉(zhuǎn)換后的數(shù)字信號(hào)通過系統(tǒng)信號(hào)預(yù)處理，應(yīng)用MATLAB計(jì)算工具編程得到一段時(shí)間內(nèi)的信號(hào)時(shí)域圖，再進(jìn)行傅里葉變換得到頻譜圖，運(yùn)用反求有效特征向量的方法提取時(shí)域和頻域特征值，最后，通過BP神經(jīng)網(wǎng)絡(luò)開展網(wǎng)絡(luò)構(gòu)建、誤差分析.通過對(duì)以上數(shù)據(jù)進(jìn)行模式識(shí)別，判斷軸承是否失效，為實(shí)現(xiàn)滾動(dòng)軸承快速化、智能化、數(shù)字化故障診斷提供一種方法，也為軸承失效模式研究和軸承長(zhǎng)壽命設(shè)計(jì)奠定實(shí)驗(yàn)工程基礎(chǔ).

2數(shù)據(jù)導(dǎo)入零均值化處理

點(diǎn)擊診斷測(cè)試系統(tǒng)載入故障數(shù)據(jù)中的Y2015，Workspace窗口出現(xiàn)軸承相關(guān)屬性.載入數(shù)據(jù)成功，依次將其他數(shù)據(jù)載入，如圖2所示.

圖2軸承數(shù)據(jù)導(dǎo)入MATLAB

測(cè)試系統(tǒng)中，滾動(dòng)軸承共有2種狀態(tài)，即正常(Y)和故障(N).變頻器在頻率為20、25和30 Hz的工況條件下，2種狀態(tài)各采集10組數(shù)據(jù)，共60組數(shù)據(jù).選用采樣頻率10 kHz，采樣點(diǎn)數(shù)為20 000，故采樣時(shí)間為2 s.

信號(hào)的均值相當(dāng)一個(gè)直流分量.該信號(hào)經(jīng)過傅里葉變換后在ω=0處為沖激函數(shù).若直接將其開展頻譜分析，在ω=0處將出現(xiàn)一個(gè)較大的譜峰，并會(huì)影響在ω=0左右處的頻譜曲線，使真正的故障點(diǎn)呈現(xiàn)誤差，因此必須削掉均值.系統(tǒng)采用零均值化處理方式，消除指標(biāo)量綱和數(shù)量的影響，能全面地反映原始數(shù)據(jù)中各指標(biāo)的變異程度和相互影響程度.

設(shè)系統(tǒng)采樣原始數(shù)據(jù)為Xn(n=1，2，…，N)，均值計(jì)算公式為，

(1)

零均值化處理計(jì)算公式為，

(2)

零均值化處理后，xn就變成一組均值為零的新隨機(jī)信號(hào)un.以下分析以u(píng)n數(shù)據(jù)為系統(tǒng)輸入.

時(shí)域圖形處理前后對(duì)比如圖3所示.

圖3零均值化處理時(shí)域分析圖

頻域圖形處理前后對(duì)比如圖4所示.

圖4　零均值化處理頻域分析圖

從時(shí)域圖形上看，波形整體向Y軸負(fù)方向平移約2個(gè)單位長(zhǎng)度.但是從頻域圖可以明顯看出，零均值化處理后消除了ω=0處出現(xiàn)的由直流分量產(chǎn)生的大譜峰(將近達(dá)到4.5×104)，避免了其對(duì)周圍小峰值產(chǎn)生的負(fù)面影響，提高了數(shù)據(jù)的可靠性和真實(shí)性.

3時(shí)域分析與特征值提取

3.1時(shí)域分析方法

系統(tǒng)在時(shí)域分析中，設(shè)xi(i =1,2,…,N)為采集到的振動(dòng)隨機(jī)信號(hào).時(shí)域分析中適用的有量綱量包括均值、方差、峰值和均方根值.適用的無(wú)量綱量有峰值因子、峭度和脈沖因子.

峰值因子(CrestFactor)，顯示正常波形是否受到異常振動(dòng)的沖擊.它不受振動(dòng)信號(hào)絕對(duì)水平影響，即使傳感器的靈敏度發(fā)生變動(dòng)，也不會(huì)有測(cè)量誤差.

峭度(Kurtosis)，反映信號(hào)幅值分布特征的數(shù)值統(tǒng)計(jì)量，是歸一化的4階中心矩[2].計(jì)算公式為，

(3)

式(3)中，x(t)為去均值化后的瞬時(shí)幅值，p(x)為概率密度，σ為標(biāo)準(zhǔn)差.

通過峭度系數(shù)的計(jì)算式可以看出，分子是去均值化后的瞬時(shí)幅值的4次方，而分母為均方根值的平方，等效于分母是一個(gè)平均量.在一個(gè)隨機(jī)振動(dòng)時(shí)間內(nèi)，必然導(dǎo)致分子的增長(zhǎng)速率高于分母，若測(cè)試系統(tǒng)中K上升很快，表明軸承故障已顯現(xiàn).

脈沖因子(ImpulseFactor)，為信號(hào)峰值與信號(hào)絕對(duì)均值之比.脈沖因子對(duì)于沖擊脈沖類缺陷非常敏感，特別是初期異常缺陷，脈沖因子信號(hào)有明顯升高；當(dāng)升高到一定程度后，隨著缺陷程度的增加，信號(hào)卻反向下降[3].

3.2振動(dòng)信號(hào)時(shí)域特征提取

通過算例，正常軸承(Y)在運(yùn)轉(zhuǎn)過程中的特征信號(hào)為一個(gè)周期信號(hào)，其幅值和頻率不變.仿真系統(tǒng)中通過先求出概論密度函數(shù)，再利用公式(3)直接計(jì)算，得出K=1.5.對(duì)于寬帶高斯信號(hào)和窄帶信號(hào)，通過MATLAB仿真，對(duì)不同頻段的信號(hào)進(jìn)行等間隔帶通濾波分析，得到各頻段峭度值，K窄略大于K高，約等于3.

通過算例，故障軸承(N)在運(yùn)轉(zhuǎn)過程中的故障特征信號(hào)為隨機(jī)振動(dòng)信號(hào)，沒有固定的頻率和周期，亦沒有確定的函數(shù)表達(dá)式，也不能確定其幅值范圍，但其信號(hào)服從正態(tài)分布，通過濾波處理方法，對(duì)離散信號(hào)計(jì)算各頻段峭度值，得到K=42.35.故障軸承與正常軸承時(shí)域分析如圖5所示.

圖5故障軸承與正常軸承時(shí)域分析圖

從圖5可知，故障軸承的振幅大約為-5～0.5，正常軸承的振幅為-4～-0.5，即故障軸承的時(shí)域振動(dòng)幅度較正常軸承大.峭度系數(shù)表征軸承接觸表面出現(xiàn)疲勞故障時(shí)，接觸面缺陷處產(chǎn)生的瞬時(shí)沖擊幅值，疲勞故障越大，響應(yīng)幅值越高，故障現(xiàn)象愈明顯.峭度對(duì)軸承初期故障探測(cè)較敏感，軸承一旦出現(xiàn)故障，K值瞬時(shí)增大.

4頻域分析與特征值提取

4.1頻域分析方法

頻域特征參數(shù)指標(biāo)主要包括均方頻率MSF、重心頻率FC及頻率方差VF.實(shí)際仿真計(jì)算時(shí)，頻譜需要預(yù)先離散化處理，采樣頻率fs決定分析頻率.利用傅立葉變換，實(shí)現(xiàn)滾動(dòng)軸承的在線監(jiān)測(cè)與診斷.上述3個(gè)參數(shù)的時(shí)域公式如下[4]，

(4)

(5)

YVF=YMSF-(YFC)2

(6)

4.2傅里葉頻譜與特征提取

首先，分別比較故障軸承和正常軸承(N201、Y201)的FFT圖形，如圖6所示.

圖6N201與Y201 FFT圖

如圖6所示，能夠區(qū)分2個(gè)狀態(tài)且能代表自身頻譜的區(qū)域有：點(diǎn)(326，1)、區(qū)域(2560～3000)、點(diǎn)(3278，1)、區(qū)域(6310～6646)、區(qū)域(6850～7300).

對(duì)故障軸承數(shù)據(jù)隨機(jī)抽取N202fft、N206fft、N207fft、N209fft數(shù)據(jù)對(duì)比圖形如圖7所示.

圖7故障軸承重復(fù)性FFT譜

從圖7可以看出，各個(gè)特征值的重復(fù)性較好.

對(duì)正常軸承數(shù)據(jù)隨機(jī)抽取Y203fft、Y204fft、Y206fft、Y208fft數(shù)據(jù)對(duì)比圖形如圖8所示.

圖8正常軸承重復(fù)性FFT譜

從圖8可以看出，各個(gè)特征值的重復(fù)性較好.

5信號(hào)特征值歸一化

為提取有效特征值，便于在不同樣本之間對(duì)同一特征值進(jìn)行分類比較，運(yùn)用線性函數(shù)轉(zhuǎn)換關(guān)系方程，將得到的所有特征值歸一化到0～1區(qū)間，方程如下[4]，

Yo=(Xi-SampleMinValue)/(SampleMaxValue-

SampleMinValue)

(7)

式(7)中，Xi、Yo分別為轉(zhuǎn)換前、轉(zhuǎn)換后的值，SampleMaxValue、SampleMinValue分別為樣本的最大值和最小值.

原始特征值歸一化后數(shù)據(jù)結(jié)果如表1所示.正常軸承部分樣本特征值歸一化后結(jié)果如表2所示.

表1　故障軸承部分樣本特征值歸一化后結(jié)果

表2　正常軸承部分樣本特征值歸一化后結(jié)果

6BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別

6.1輸入、輸出層和隱層開發(fā)

BP神經(jīng)網(wǎng)絡(luò)屬于經(jīng)典的前向網(wǎng)絡(luò)，用特定的實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值作為輸出矢量，將輸入信號(hào)矢量聯(lián)系起來，進(jìn)行故障模式識(shí)別[5].依據(jù)實(shí)驗(yàn)樣本數(shù)量，確定輸入神經(jīng)元個(gè)數(shù)為11，輸出狀態(tài)有2種，即正常軸承(Y)與故障軸承(N)，輸出神經(jīng)元為2.由于輸入為11個(gè)神經(jīng)元，輸出為2個(gè)神經(jīng)元，通過誤差對(duì)比分析，設(shè)計(jì)一個(gè)隱層可以在一定范圍內(nèi)隨意變化的隱層網(wǎng)絡(luò)，隱層神經(jīng)元數(shù)目在20～25之間.

6.2網(wǎng)絡(luò)訓(xùn)練參數(shù)選擇

設(shè)定網(wǎng)絡(luò)的隱層神經(jīng)元的傳遞函數(shù)為tansig[6]，輸出層神經(jīng)元的傳遞函數(shù)為logsig，結(jié)果誤差為0.002，最大訓(xùn)練步數(shù)為1 000.結(jié)果如表3所示.

表3　隱層神經(jīng)元訓(xùn)練誤差

經(jīng)過1 000次訓(xùn)練后，隱層神經(jīng)元為21的BP網(wǎng)絡(luò)對(duì)函數(shù)的逼近效果最好，因?yàn)樗恼`差最小.確定隱層的神經(jīng)元數(shù)目為21.該樣本BP網(wǎng)絡(luò)的最終參數(shù)架構(gòu)如表4所示.

表4　BP網(wǎng)絡(luò)最終參數(shù)架構(gòu)

6.3網(wǎng)絡(luò)訓(xùn)練

訓(xùn)練誤差為0.000 987 527，訓(xùn)練步數(shù)為53步.

圖9網(wǎng)絡(luò)訓(xùn)練誤差分析

6.4網(wǎng)絡(luò)測(cè)試

y=sim(net,測(cè)試數(shù)據(jù))[7].

表5　網(wǎng)絡(luò)測(cè)試結(jié)果與期望結(jié)果對(duì)比

根據(jù)表5的測(cè)試結(jié)果分析，樣本數(shù)據(jù)的分類正確合理，本研究建立的BP前向神經(jīng)網(wǎng)絡(luò)模型，能夠?qū)S承的正常狀態(tài)進(jìn)行識(shí)別.對(duì)于類似的故障診斷識(shí)別，可以將MATLAB測(cè)試系統(tǒng)測(cè)得的有效均值化數(shù)據(jù)輸入到該網(wǎng)絡(luò)，從而快速進(jìn)行故障診斷識(shí)別.該網(wǎng)絡(luò)誤差小，測(cè)試結(jié)果準(zhǔn)確可靠，具有工程應(yīng)用推廣價(jià)值.

7結(jié)語(yǔ)

本研究基于MATLAB軟件進(jìn)行滾動(dòng)軸承故障診斷系統(tǒng)設(shè)計(jì)，運(yùn)用數(shù)字信號(hào)分析中的零均值化、時(shí)域頻域分析、特征值歸一化處理思想，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障模式識(shí)別.通過網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試，確定系統(tǒng)誤差在可控范圍內(nèi).本軸承故障診斷識(shí)別系統(tǒng)準(zhǔn)確率高，可以作為滾動(dòng)軸承故障分析的參考依據(jù)，也為開展非接觸式遠(yuǎn)程故障診斷提供了思路.

參考文獻(xiàn)：

[1]鄭德志，王黎欽，古樂，等．非平穩(wěn)狀態(tài)下高速滾動(dòng)軸承的失效研究[J]．中國(guó)機(jī)械工程，2007，18(10)：1214-1217．

[2]張賢達(dá)．現(xiàn)代信號(hào)與處理[M]．北京：清華大學(xué)出版社，2002．

[3]叢玉良，王宏志．?dāng)?shù)字信號(hào)處理原理及其MATLAB實(shí)現(xiàn)[M]．北京：電子工業(yè)出版社，2009．

[4]楊曉明，晉玉劍，李永紅．經(jīng)典功率譜估計(jì)Welch法的MATLAB仿真分析[J]．電子測(cè)試，2011，18(7)：101-104．

[5]胡耀斌，厲善元，胡良斌．基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的研究[J]．機(jī)械設(shè)計(jì)與制造，2012，50(2)：187-189．

[6]周昌雄，陳迅，馬國(guó)軍．基于關(guān)聯(lián)維數(shù)與BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J]．軸承，2003，46(9)：32-34．

[7]TAN S C,LIM C P．Anensembleapplicationofconflict-resolvingART-Basedneuralnetworkstofaultdetectionanddiagnosis[J]．J Meas Sci Instr,2011，2(4)：371-377．

Research of Fault Diagnosis in Rolling Bearing

WANGXiaolong

(School of Mechanical Engineering, Chengdu University, Chengdu 610106, China)

Abstract:Rolling bearing is an important part in engineering industry which is known as the foundation of industry.Bearing quality directly affects the maximum performance of the machine.When it works,the internal structure easily becomes invalidated under the impact load and friction.However,it is not easy to find a slight fault.This paper builds a fault diagnosis system which can do fault diagnosis of pattern recognition research by using MATLAB software programming process data combined with time domain and frequency domain analysis method as well as by using the BP neural network.

Key words:rolling bearing;MATLAB software;BP neural network;troubleshooting

文章編號(hào)：1004-5422(2016)02-0178-05

收稿日期：2016-01-21.

基金項(xiàng)目：成都大學(xué)校青年基金(2015XJZ15)資助項(xiàng)目.

作者簡(jiǎn)介：王小龍(1985 — )， 男， 碩士， 汽車設(shè)計(jì)工程師， 從事汽車設(shè)計(jì)制造與車輛安全故障診斷技術(shù)研究.

中圖分類號(hào)：TH133.33；TH165+.3

文獻(xiàn)標(biāo)志碼：A