滾動軸承故障診斷系統的設計與實現

楊麗娟，馮萍，陳雷

（1.西安工商學院，陜西西安，710200；2.法門高級中學，陜西寶雞，7222000；3.西安工業大學，陜西西安，710032）

0 引言

滾動軸承是旋轉機械設備中很常用的部件，因為它也是經常出現故障的部件，據相關資料統計，因為滾動軸承發生故障占旋轉機械故障一半左右，這個數據說明對滾動軸承運行狀態的監測和診斷尤為重要，因而需要開發出關于滾動軸承故障診斷系統來對滾動軸承的狀態監測，能更快的發現滾動軸承發生故障就能在一定程度上阻止巨大經濟損失事故的發生。研究一個軸承的故障診斷系統，能更早的發現滾動軸承故障，就能更好的避免人員傷亡以及經濟損失等事故的發生。所以關于滾動軸承的故障診斷系統的有效運行對設備的管理和維修會有顯著的幫助，能帶來的經濟利益也會非常的顯著。

1 振動信號的故障分析

滾動軸承的故障主要表現在軸承內圈、外圈和滾動體的損壞，其失效形式有磨損、疲勞、腐蝕、壓痕、斷裂及膠合失效。在運動過程中這些失效形式造成損傷或缺陷必然會引起軸承產生沖擊，使得軸承故障特征頻率表現出來[1]。

由于存在的內部和外部因素影響，滾動體和內外圈會產生沖擊性的碰撞， 這種碰撞性沖擊會使滾動軸承產生振動，這種滾動軸承的振動頻率跟滾動軸承本身的材料、形狀和質量有關系，這種振動與滾動軸承的內圈轉動沒有關系，計算公式大致為[2-3]：

滾動體的固有振動頻率：

上式中參數：滾動體半徑r；滾動體材料彈性模量E；滾動體材料密度ρ。

軸承內、外圈在自由狀態下的徑向彎曲振動的固有頻率：

上式中參數：N為振動階數（變形波數）， n =2，3，…；E為彈性模量；I為內、外圈橫截面的慣性矩；ρ為密度；A為內、外圈的橫截面面積；D為內、外圈的橫截面中性軸直徑；g為重力加速度。

滾動體在內滾道上的故障頻率fic為：

滾動體在外滾道上的故障頻率foc為:

滾動體在保持架上的頻率fbc為:

且保持架的自轉頻率為：

當保持架接觸內外圈故障頻率時：

所以當滾動軸承內圈滾道上發生損壞，則內圈的故障頻率為：

當滾動軸承外圈滾道上發生損壞，則外圈的故障頻率為：當滾動體發生損壞時：

2 支持向量機分類

支持向量機是從統計學理論發展出來的一種監督學習方式的分類方法。主要思想是通過學習樣本的求解得到一個超平面，作為決策曲面，使得分類隔離邊緣最大化[4-5]。

對于給定樣本：

學習分類目標：

支持向量機的分類器就是在Z中尋找一個最優超平面:式中：ω為超平面的法向量；b為超平面的常數項。

對于非線性分類情況，定義一個核函數k(xi,xj),將變換映射到高維空間中，引入松弛變量iξ和懲罰因子C，則最優函數變成如下所示：

使用拉格朗日算子解決上述問題，其對偶表現形式為：

將上式右側帶入對偶問題并消去jα可以得到僅關iα的二次規劃問題，該優化問題有閉式解可以快速計算出結果。

3 故障診斷系統設計

系統主要分為三個模塊，數據采集、數據分析和故障診斷模塊。數據采集模塊主要是通過串口采集滾動軸承的振動信號，并且在系統界面以曲線形式顯示，同時將采集的信號數據保存到本地；數據分析模塊是對采集的信號進行時域和頻域的分析得到診斷的參數數據；故障診斷模塊是利用支持向量機對故障參數數據進行分類得到是否故障[6-7]。系統整體框架和流程圖如圖1、2所示。

圖1 系統整體框架

圖2 系統流程圖

本系統的振動流程是首先對采集到的振動信號進行濾波等預處理，而后通過時域分析模塊得到信號的時域參數數據：均值、方差、均方根和峰值，并且利用這4個參數求解到另外4個時域參數數據：脈沖指標、波形因數、波峰因數和峭度指標。得到這8個時域信號就可以通過診斷模塊對該振動信號進行分類，得到是否出現故障。如果此時得到的結果是出現故障，則對振動信號進行頻域分析，得到該信號的幅值譜、相位譜和功率譜，通過頻域的信息可以診斷出故障出現的具體位置：外圈、內圈、滾動體還是保持架故障。

4 測試結果顯示與分析

在本系統的測試中，測試軸承的內圈轉頻為50Hz（轉速為 3000 r/ min），采用了正常滾動軸承、內圈故障、外圈故障、滾動體故障和保持架故障的滾動軸承，分別進行振動信號的采集和處理。采集到滾動軸承的橫向和縱向2種振動信號，利用時域分析和頻域分析中分別診斷出故障以及故障位置，驗證了該系統的可靠性和準確性。表 1 為滾動軸承測試試驗的技術參數。

表1 滾動軸承主要參數

系統試驗之前，將滾動軸承的初始參數輸入到系統中，通過參數標定模塊計算得出該試驗滾動軸承的特征頻率，如表 2 所示。

表2 滾動軸承各部分特征頻率(Hz)

系統的界面如圖3所示：采用的是軸承內圈故障數據進行演示，通過時域的分析得到了時域的8個診斷參數數據，其中峭度指標為114.231遠遠大于正常軸承的峭度指標3，因此可以診斷出現軸承故障。

圖3 系統診斷界面

接下來，開始對振動信號頻域分析，對信號進行FFT變換得到頻域信號，并且同時獲取信號的功率譜、幅度譜、相位譜和互功率譜。通過對時域參數的分析得到最終的故障為內圈故障。通過5 種狀態下的 1000 個信號作為訓練樣本，再利用100個狀態信號作為測試樣本對系統進行驗證得到如表3所示結果。

表3 支持向量機診斷結果

?

通過結果顯示本系統不僅能實時準確的識別軸承的故障，而且有較高的診斷率。

5 結論

系統選取了時域和頻域的特征值作為故障的特征參數，從而對滾動軸承的故障進行了監測。該系統是基于虛擬儀器完成的系統，進行了串口的數據通信，可以實時的對數據進行采集。該系統能夠曲線顯示采集的數據，用戶可以清楚直觀的觀察數據，并且將采集的數據保存到本地，這些數據日后可以作為歷史數據優化系統提供了很大的幫助。通過時域和頻域的分析可以得到診斷信號的時域和頻域的診斷參數數據，利用支持向量機的分類方法對故障進行診斷，實驗結果表明本系統可以快速準確的診斷出滾動軸承的故障，這在一定程度上能夠幫助維修人員快速確定故障類型和位置以降低損失。