智能化軸承狀態監測

王晨霞

摘 要：在機械設備運行過程中，滾動軸承的狀態對其具有很大的影響，因而對滾動軸承作出合理的故障診斷具有深遠而現實的意義。文章通過對滾動軸承的振動類型及故障特征，詳細研究了時域分析、頻域分析在滾動軸承故障診斷中的應用，設計了采集數據系統可實現對軸承振動信號的采集，在此基礎上對數據進行處理分析，構建神經網絡系統進行模式識別，達到軸承故障診斷的目的。

關鍵詞：滾動軸承；故障診斷；神經網絡；matlab

中圖分類號：TH133 文獻標識碼：A 文章編號：1006-8937（2015）14-0106-01

所謂軸承故障診斷就是觀測軸承的工作狀態，并對采集到的可以反映軸承工作狀態的信號進行分析與處理來識別軸承的狀態。工程上對滾動軸承的故障診斷是十分必要的，通過對軸承的一些簡單分析，確立了滾動軸承故障診斷的完整流程，采集振動信號，作數據處理，最終建立神經網絡來對軸承狀態進行面試識別，從而達到對軸承故障診斷的目的。

早期軸承診斷靠聽覺，主觀影響大；后來用振動位移、速度或加速度均方根或峰值判斷故障，減少了對人為經驗依賴；現代故障診斷涉及控制論、計算機等多方面。

我國軸承故障診斷起步較晚，但發展迅速，取得立不小的成就。其中，運用于鐵路貨車輪對滾動軸承不解體故障診斷，提高了檢驗速度與可靠性，節約了維修費用。

相較而言，國內滾動軸承的診斷與國外相比還有一定的差距，對滾動軸承實效機理、實效過程的研究不夠、不深入。

目前，隨著人工智能技術的不斷發展和廣泛應用，對于軸承故障的診斷技術也正趨于智能化。

一般來說，軸承故障診斷的基本內容包括以下幾個方面：采集軸承檢測信號；信號預處理；特征分析及提取；歸一化處理；人工神經網絡狀態識別；決策與判斷等。

1 振動信號采集

在滾動軸承運行時的眾多特征中，選用滾動軸承的振動信號作為反映其運行工作狀態的特征信號來對其進行信號分析和處理，這是由于振動信號相較于其它信號而言可以檢測出軸承運行初期的微小故障，而且由于振動信號來自于機械本身，可方便監測和采集信號，診斷結果可靠。

振動檢測主要指振動位移、速度、加速度、頻率等參數測量，振動強度與加速度成正比，所以軸承振動參數選用加速度測量。可以在軸承座上安裝靈敏的加速度傳感器，采集軸承運行過程中的加速度信號，并對此信號進行分析和處理，以此來判斷軸承的運行狀態。

可以根據如下的數據采集系統進行軸承信號的數據采集工作，將采集到的模擬信號轉換成計算機可以識別的數字信號，然后通過matlab等數據分析軟件對所采集到的信號進行分析處理，得出可作為診斷依據的數據。

①進入數據采集系統，創建測試目錄并選擇好測試點以便數據儲存；②進入采集畫面，輸入VB程序，運行，采集數據；③儲存測量數據，為后期處理做準備。

2 數據預處理

2.1 零均值化處理

零均值化的目的是去除直流分量，這是由于信號的均值就相當于一個直流分量，而直流分量在做譜分析時的頻譜圖是在橫坐標為零時的沖激函數，如果不去除直流分量的話，在對采集到的信號進行頻譜分析時，這個沖激函數就會影響在左右的頻譜曲線，產生較大誤差，因此需零均值化處理。在時域圖上，零均值化處理后波形中心落在Y=0上，便于更直觀觀察。而在頻域圖上，零均值處理后，頻域圖上由于直流分量而帶來的沖激函數的波峰消失了，去除了直流分量對信號的影響。

2.2 去除趨勢項

振動信號采集時由于傳感器周圍的環境干擾等測量值常會偏離基線，偏離基線的大小會隨時間變化的過程稱為信號的趨勢項。信號的趨勢項會對信號在時域以及頻域的信號分析帶來較大的誤差，甚至會使信號失真，因此信號分析中要消除趨勢項。消除趨勢項與零均值化處理的功能相似，是因為本數據中的多項式趨勢項很小，所以沒有明顯的變化。

2.3 平滑處理

信號采集時會受到噪聲干擾，使實際圖像為帶噪圖像，通常噪聲信號為高頻信號，所需振動信號為低頻，平滑處理是為了消除噪聲，即濾高保低，同時提高采樣平滑性。

常用平滑處理方法有：平均法、樣條函數法、五點三次平滑法等。五點三次平滑法利用多項式最小二乘法逼近實現平滑濾波，算法簡單，效果好。

在時域圖上，數據經過平滑處理后，其圖形變得光滑；而在頻域圖上，平滑處理后，信號的高頻部分變少，低頻部分基本上沒有變化。這說明滾動軸承的故障信號的頻率主要集中在低頻和中頻段，而噪聲大部分為高頻信號，經過平滑處理后，不僅保持了故障信號的原有特征，而且消除了噪聲信號，更有利于對數據信號的分析處理。

2.4 濾波處理

信號的能量大部分集中在幅度譜的低中頻段，而高頻段，有用信息常被噪聲淹沒，因此需要一個濾波器來減弱噪聲影響，獲取有用信號。由于平滑處理已去除大部分高頻噪聲，在時域內不能明顯的看出處理前后的區別。但在頻域圖上，2 500 Hz后的頻率幾乎不存在，由此可見濾波效果較好。

3 特征提取及分析

3.1 時域特征提取

時域特征參數包括均值，方差，均方根值，峰值，峰值因子，峭度系數，波形因子以及脈沖因子和裕度因子。振動信號經過時域特征提取后，故障軸承和正常軸承在方差，峰值，裕度因子，峭度系數和脈沖因子，波形因子上的特征值差別比較明顯，但兩者在均值，均方根值以及峰值因子上的差別卻并不不明顯。

3.2 頻域特征提取

頻域特征參數包括重心頻率、均方頻率、均方根頻率、頻率方差和頻率標準差。振動信號經過頻域特征提取后，頻域參數的特征值重復性和差異性都比較良好。

4 歸一化處理

振動信號在進行特征提取之后，由于提取之后的信號的幅值大小不一，不利于信號的分析和處理，可將所有特征值歸一化到0～1區間。振動信號歸一化處理線性函數轉換， ，歸一化處理就是要簡化計算，縮小量值，在這里我們將數據歸一化到0～1區間，以便之后要進行的神經網絡模式識別，并對軸承做出故障診斷與分析。

5 人工神經網絡及模式識別

輸入層：輸入層輸入的是能夠表示軸承運行狀態的有效特征值的個數，這里為28，所以輸入層為28；

輸出層：由于是軸承的故障診斷，所以輸出信號為軸承的工作狀態，這里為故障和正常軸承，因此輸出層有2個神經元；

隱層：其中為第一層的神經元個數，為隱層神經元個數。在本故障監測中，輸入層個數為28，輸出為2，可知隱層神經元在57左右。

訓練參數：目標誤差為0.001，最大訓練步數為1 000。

經訓練后，網絡誤差最小，逼近效果最好的隱層神經元個數設定為網絡隱含層的神經元數目，從而確定BP神經網絡的最終結構，確定BP神經網絡最終結構后，進行網絡訓練和神經網絡測試以判斷該神經網絡是否能有效監測滾動軸承的運行狀態，以后驚醒滾動軸承的故障檢測時，只需要測量故障軸承的振動信號，提取有效特征值，經過該神經網絡，就可以判斷軸承是否運行正常了。

6 結 語

綜上所述，對作為運轉機械最重要部件之一的軸承進行故障診斷分析和診斷，對于發現其運行過程中存在的隱形故障特別是早期微小故障從而確保機械設備的正常使用以及延長使用壽命具有非常有價值的現實意義。

通過對滾動軸承的振動類型及故障特征的研究，設計采集數據系統可以實現對軸承振動信號的采集，在此基礎上對數據進行處理分析，構建神經網絡系統進行模式識別，達到軸承故障診斷的目的，可以正確的識別軸承的狀態。

參考文獻：

[1] 黃文虎，夏松波，劉瑞巖.設備故障診斷原理、技術及應用[M].北京：科學出版社，1996.

[2] 張賢達.現代信號處理[M].北京：清華大學出版社，2002.

[3] 于婷婷.基于BP神經網絡的滾動軸承故障診斷方法[D].大連：大連理工大學，2008.

[4] 李興林，張仰平，曹茂來.滾動軸承故障監測診斷技術應用進展[J].工程與試驗，2009，（4）.

[5] 張振飛，夏利民.基于神經網絡的滾動軸承故障診斷智能方法[J].信息技術，2008，（8）.

[6] 李興林.滾動軸承故障診斷技術現狀及發展[A]；2009年全國青年摩擦學學術會議論文集[C].2009.