（机械制造及其自动化专业论文）滚动轴承故障诊断算法及软件.pdf

硕十学位论文 摘要 滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，由于轴承 特定的使用环境造成其寿命的随机性较大，目前还无法准确预测其寿命的长 短。轴承工作状态的好坏关系到设备是否正常运行，对生产过程、产品质量 有直接影响。据统计，旋转机械的故障，3 0 是由滚动轴承故障引起的。因 此，对各种机械设备进行诊断一般都要牵涉到对其中的滚动轴承进行监测与 诊断，轴承故障诊断就显得非常重要。 近年来，人工神经网络因其特有的优势使得其应用日益广泛，故障诊断 领域己经出现了它的身影。人工神经网络的计算能力有三个显著特点：一是 它的非线性特性；二是并行分布结构；三是它的学习和归纳能力。同时，它 实现容易，采用大量简单的神经元构成神经网络解决难以直接使用解析式处 理的问题。因此，将神经网络引入轴承故障诊断正好利用其特点，将问题的 处理从传统方法转向人工智能方向。 本文介绍了一种新的关于滚动轴承故障的b p 网络诊断方法，即通过建立 相应的b p 网络模型，并对滚动轴承的振动数据进行了分析，分别获得特征值， 将特征值作为神经网络输入，利用b p 算法对该网络进行训练，利用神经网络 的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。 b p 网络模型的实现需要掌握计算机编程语言及较高的编程能力，这在一 定程度上不利于神经网络技术的推广和使用，而m a t l a b 软件提供了一个 现成的神经网络工具箱( n e u r a ln e t w o r kt 0 0 1 b o x ，简称n n t ) 。本文利用v c + + 6 0 开发工具和m a t l a b 神经网络工具箱( n n t ) 开发出滚动轴承的故障诊 断系统，在该系统中实现了神经网络学习和神经网络诊断两大功能模块。该 系统的设计与实现均使得对于滚动轴承的故障诊断非常有效，具体实现起来 也非常便捷。 最后，本文对实测的轴承振动数据进行结论验证，结果表明，本文提出 的以神经网络为基础的轴承故障诊断方法具有准确、实用的特点，有广泛的 应用前景。 关键词：滚动轴承；神经网络；故障诊断；算法；软件； a b s t r a c t b e c a u s er o l l i n gb e a r i n gi st h ec o m m o nc o m p o n e n ti nr o t a t i n gm a c h i n e r y a n di t ss p e c i a lu s i n gc o n d i t i o n ， i t su s i n ge x p i r a t i o ni sv a r i o u sa n dh a r dt o e s t i m a t ee x a c t l y i t sr u n n i n gs t a t ec a ni n n u e n c et h ep e r f o r m a n c eo ft h ew h o l e m a c h i n ed i r e c t l y ，a n dr e l a t e dt ot h em a n u f a c t u r i n gp r o c e s sa n dp r o d u c tq u a l i t y a c c o r d i n gt os t a t i s t i c a l ，a b o u t3 0 f a u l ti nr o t a t i n gm a c h i n e r yi sr e s u l t e df r o m r o l l i n gb e a r i n gf a u l t t h em e t h o do fr o l l i n gb e a r i n gf a u l td i a g n o s i si s a l m o s t i m p l e m e n t e dw h e nr o t a t i n gm a c h i n e r yi sd i a g n o s e d ，s ot h a tt h er o l l i n gb e a r i n g d i a g n o s i si sv e r yi m p o r t a n t a r t i f i c i a ln e u r a ln e t w o r k( a n n )i sw i d e l ya p p l i e db e c a u s eo f i t s a d v a n t a g e sr e c e n ty e a r s a n nh a sb e e na p p e a r e di nf a u l td i a g n o s i sf i e l d t h e r e a r et h r e em o s tr e m a r k a b l ee x c e l l e n c e si na n n ：f i r s t l yi ti sn o n l i n e a r ，s e c o n d l y i ti sc o n s t r u c t e dp a r a l l e l e d ，t h i r d l yi si t sa b i l i t yo fs t u d y i n ga n dg e n e r a l i z a t i o n i nt h es a m et i m e ，a n ni se a s yt ob er e a l i z e db e c a u s ea n ni sc o n s i s to fal o to f s i m p l en e u r a lc e l l sa n dc a ns 0 1 v e t h o s ep r o b l e m sw h i c ha r eh a r dt ob es o l v e db y a n a l y t i c sd i r e c t l y i t i ss u i t a b l et oi n t r o d u c ea n nt or o u i n gb e a r i n gf a u l t d i a g n o s i sb e c a u s eo fi t sa d v a n t a g e s t h ew a yo ff a u l td i a g n o s i si s t u r n e dt o a r t i 仃c i a lf r o mt r a d i t i o n a lm e t h o d i nt h i st h e s i s ，an e wb pn e t w o r k - b a s e df a u l td i a g n o s i sm e t h o do fr o l l i n g b e a r i n gi sp r e s e n t e d b ye s t a b l i s h e db pn e t w o r km o d e l ，a n a l y s er o l l i n gb e a r i n g v i b r a t i o nd a t a ，a c q u i r ec h a r a c t e r i s t i c s ，t h e ni n p u tn e u r a ln e t w o r k ，a n dt h e nt r a i n t h en e t w o r kw i t hb pa l g o r i t h m t h ep a t t e r no fr o l l i n gb e a r i n gf a i l u r ec a nb e i d e n t i 行e dw i t ht h ei n t e l l e c t u a la b i l i t yo fb pn e u r a ln e t w o r k t h es i m u l a t i o n r e s u l ts h o w st h a tt h em e t h o dp r e s e n t e di nt h i sp a p e ri sp r a c t i c a la n de f f e c t i v e t h es p e c i a l i s t sw h og r a s pt h ec o m p u t e rp r o g r a m m i n gl a n g u a g e c a n e s t a b l i s hb pn e t w o r km o d e l ，w h i c hd o e sn o tf a v o rt h ep r o m o t i o no ft h en e r v e n e t w o r kt e c h n o l o g yi naw a y t h em a t l a bs o f t w a r eh a sp r o v i d e da na v a i l a b l e n e r v en e t w o r kt 0 0 1 b o x ( n n t ) t h ed i s s e r t a t i o nd e s i g n st h er o l l i n gb e a r i n gf a u l t d i a g n o s i ss y s t e mw i t hv c + + 6 od e v e i o ps o f t w a r ea n dm a t l a b n e r v en e t w o r k t o o l b o x( n n t ) ， a n di m p l e m e n t st w om o d u l e s ，n e u r a ln e t w o r kl e a r n i n ga n d n e u r a ln e t w o r k d i a g n o s i s t h ed e s i g na n di m p l e m e n t a t i o no ft h i ss y s t e mm a k e s t h ef a u l td i a g n o s i so fr o l l i n gb e a r i n ge f f e c t i v e ， a n dt h i s s y s t e m i s v e r y c o n v e n i e n ti np r a c t i c a lu s e 1 1 硕十学何论文 t h ep a p e rv e r i f i e st h ec o n c l u s i o nb ys i m u l a t i o nu s i n ga c t u a ld a t a t h e r e s u l t ss h o wt h a tt h ed i a g n o s i sm e t h o dw h i c hi sb a s e do na n ni sa c c u r a t ea n d p r a c t i c a lh a sag o o da p p l i c a t i v ee x p e c t a t i o n k e yw o r d s ：r o l l i n gb e a r i n g ；n e u r a ln e t w o r k ；f a u l td i a g n o s i s ；a l g o r i t h m ； s o f t w a r e ； l i l 滚动轴承故障诊断算法及软件 插图索引 图2 1 滚动轴承典型结构示意图lo 图2 2 滚动轴承套圈横截面简化图与径向弯曲振动振型示意图12 图2 3 滚动轴承的承载刚度和滚子位置的关系l3 图3 1 人工神经元模型18 图3 2 三层神经网络示意图18 图3 3 常用的作用函数19 图3 4 人工神经网络2 0 图3 5 三层b p 网络的拓扑结构2 2 图3 6b p 网络学习流程图2 2 图4 1 基于神经网络模式识别功能的诊断系统结构3 0 图4 2l o g i s g 函数运行结果3 2 图4 3t a n g s i g 函数运行结果3 3 图4 4 试验系统框图3 5 图4 5 滚动轴承故障实验台示意图3 6 图4 6 滚动轴承故障实验台结构简图3 6 图4 7 轴承故障诊断的三层b p 网络结构4 l 图4 8 自适应学习速率法的训练曲线4 3 图4 9 附加动量法的训练曲线4 4 图4 1o 自适应学习速率动量b p 法的训练函数4 5 图4 1 1l m ( l e v e n b e r g m a r q u a r d t ) 优化法的训练曲线4 6 图4 12 测试结果的误差曲线5 0 图5 1 软件结构图5 3 图5 2 故障诊断程序界面5 4 图5 3b p 网络训练程序界面5 4 图5 4b p 网络训练实例程序界面5 5 图5 5 故障诊断实例程序界面5 5 图5 6 程序流程图5 6 i v 硕卜学位论文 附表索引 表2 1 振动频率与波纹度峰数的关系14 表4 1b p 网络的常用函数表3l 表4 2b p 网络训练函数3 3 表4 3b p 网络训练参数3 4 表4 4 滚动轴承状态样本数据38 表4 5b p 神经网络的期望输出3 9 表4 6b p 网络参数4 6 表4 7 测试数据4 7 表4 8 测试样本的实际输出4 7 表4 9 输入层到隐含层的权值及阀值数据4 8 表4 1o 隐含层到输出层的权值及阀值数据4 9 v 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名：炒旧碚 日期：k 年厂月岁日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即： 学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许 论文被查阅和借阅。本人授权兰州理工大学可以将本学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段 保存和汇编本学位论文。同时授权中国科学技术信息研究所将本学位论文 收录到中国学位论文全文数据库，并通过网络向社会公众提供信息服 务。 日期：知谚年 日期：年 厂月3日 月日 硕十学位论文 1 1 引言 第1 章绪论 装备制造业是工业的核心和基础，综合国力的根基。一国装备工业的发达程 度，是国家工业和科技水平的标志。工业化时期的制造业可以带动整个国民经济 的发展，是一国国民经济的基础性产业，既为经济发展提供技术装备，也为人民 生活提供各种产品。制造业还向社会提供相当大的就业空间，为国家的工业化、 现代化提供了大量的资金积累。制造业不仅是国防现代化和国家安全的基础，也 是知识经济的基础和组成。 轴承是装备制造业的重要基础件，加快振兴装备制造业的战略决策为轴承工 业的发展提供了契机。从国内来看，近年来机械工业，尤其是轴承行业所服务的 主机行业发展很快，并向高精度、高性能、高可靠性、高附加值发展。而轴承行 业发展滞后，尚不能完全满足主机配套的需要。国内厂商主要问题在于自主创新 能力差、开发能力不适应，产品结构不适应，制造水平不适应，技术含量不适应。 不仅如此，更重要的是轴承生产加工过程中，相应的故障检测、精度检测技术落 后，其检测结果非常粗糙且误差较大阳1 ，严重影响了轴承产品的生产速度和加工 质量。另外，在使用过程中，绝大多数的机械故障是由轴承引起的，如何及时诊 断出这些问题就成了一个新的课题。本文就轴承故障检测问题提出了一种新的方 法和思想，并在本论文中得以检验，相信此方法能为国内轴承企业提高检测速 度和精度有所贡献。 1 2 课题研究的背景及意义 1 2 1 滚动轴承发展背景及现状 滚动轴承是机械工业使用广泛、要求严格的配套件和基础件，被人们称为机 械的关节。由于使用范围广泛，决定了轴承品种的多样性和复杂性。由于要求严， 决定了轴承质量和性能的重要性。轴承制造业是一种精密的基础件制造业，电机 的噪声和振动，在很大程度上取决于轴承质量；高精度机床主轴的摆差和温升， 更是与轴承质量息息相关。通讯卫星消旋装置中的轴承性能，直接影响其通讯 效果；航天、航空中关键轴承发生故障，就会造成严重的事故。总之，工业、农 业、国防、科学技术和家用电器等各个领域中的主机，其精度、性能、寿命、可 靠性和各项经济指标，都与轴承有着密切的联系，而且轴承工业的发展还关系着 我国重大技术装备的制造水平及机械设备的出口能力。轴承在国民经济和国防建 滚动轴承故障诊断算法及软什 设中正在起着越来越重要的作用。 中国是世界上最早发明滚动轴承的国家之一。从考古文物与资料看，中国最 古老的具有现代滚动轴承结构雏形的轴承，出现于公元前2 2 1 2 0 7 年( 秦朝) 的今山西省永济县薛家崖村。公元12 8 0 年( 元朝) 在中国古代的天文仪器上也 使用了圆柱滚动支承。滚动轴承的工业化生产始于1 8 8 0 年的英国，至今已经走 过了漫长的12 6 年历程。随着人类文明的不断进步和科学技术的高速发展，世界 轴承工业从弱小起步，艰难创业，激烈竞争，曲折发展，由昔日少数几家小厂发 展到现今遍布全球、年销量额达5 0 0 亿美元的规模，取得了惊人的成就。世界几 大轴承生产公司分别为：瑞典的s k f 、美国的t i m k e n 、德国的f a g 、日本的 n s k 、日本的n t n 、韩国综合机械等。这些国外大型轴承生产企业基本实现了 自动化作业。高效的智能轴承检测仪器的应用使得生产效率大大提高。以日本为 例：19 9 7 年其轴承生产企业2 5 0 余家，从业人数约4 5 万人，产量为31 6 1 亿套， 约占世界产量的3 1 6 ，人均销售额达1 2 1 2 万美元人年。 我国的轴承工业从建国初期起步，经过六十年的发展已形成具有生产企业约 2 0 0 0 余家，年产值约2 1o 亿人民币的规模。但是，全国的年总产值仅与排名第 六的美国t m k e n 公司( 约2 10 亿人民币) 相当；与排名第一的瑞典s k f 公司 相比，仅相当于其年产值( 约4 0 0 亿元人民币) 的一半；与日本相比，仅相当于 其年产值的百分之十几。究其原因主要是由于我国轴承制造中落后的生产与产品 检验方式所致。我国轴承企业在在轴承的生产和使用过程中对轴承能的故障检验 及分类几乎都靠人工和落后的千分表完成。因而，存在着检测及故障分类精度不 高、劳动效率低、劳动强度大等弊端阳1 。因此，实现轴承故障检测及分类的自动 化、提高生产效率和产品质量，实现由轴承生产大国向轴承生产强国的转变刻不 容缓。 1 2 2 滚动轴承故障诊断的意义 随着现代化大生产的发展和科学技术的进步，现代设备日趋大型化、复杂化、 自动化和连续化。设备一旦发生故障，给生产质量以至人们的生命财产安全造成 的影响往往大得难以估算；为使设备保持正常运行状态所花的维修费用在企业经 营费用中也占了很大的比重。因此，保证设备的安全运行，消除事故，降低成本， 是十分迫切的问题。设备故障诊断正是为了解决这一迫切问题而出现的。设备 故障诊断是识别机器或机组运行状态的科学，它研究的是机器或机组运行状态的 变化在诊断信息中的反映，其研究内容包括对设备运行现状的识别诊断、对其运 行过程的监测以及对其运行发展趋势的预测三个方面。 滚动轴承是机械设备中最常用的部件，它具有效率高、摩擦阻力小、装配方 便、润滑易实现等优点，因此在旋转机械上应用非常普遍，并且起着关键作用， 它的运行状态是否正常往往直接影响整台机器的性能( 包括精度、可靠性及寿命 2 硕十学傅论文 等) 嗨。据统计，在旋转机械中由于滚动轴承损伤而引起的故障约占7 0 ，例如 电机故障中8 0 表现为电机轴承故障；另一方面，与别的机械零部件相比，滚 动轴承有一个很大的特点，就是其寿命离散性很大，即用同样的材料，同样的加 工工艺，同样的生产设备，同样的工人加工的一批轴承，其寿命相差很大。 由于轴承的这个特点，在实际生产中，可应用人工神经网络的多参数识别功 能对轴承产品的质量进行实时监测，并对隐含故障的成品及残次品进行故障的识 别与判断。如此可以更好的实时监测生产中每个环节的生产情况，对出现残次品 率较高的生产环节进行及时的调整与维修，以最大限度的降低产品的残次率，更 好的提高企业的生产效率；在实际使用中，即有的轴承己经大大超过设计寿命而 依然完好地工作，而有的轴承远未达到设计寿命就出现各种故障。所以，如果按 照设计寿命对轴承进行定时维修，则势必出现以下情形：一方面，对超过设计寿 命而完好工作的轴承拆下来作为报废处理，造成浪费；另一方面，未达到设计寿 命而出现故障的轴承或者坚持到定时维修时拆下来报废，使得机械在轴承出现故 障后和拆下前这段时间内工作精度下降，或者未到维修时间就出现严重故障，导 致整个机械出现严重事故儿7 1 。由此看来，对重要用途的轴承来说定时维修是很 不科学的，要进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维 修，这不但可以防止机械工作精度下降，减少或杜绝事故发生，而且可以最大限 度的发挥轴承的工作潜力，节约开支。 1 3 滚动轴承故障诊断技术的发展概况【8 】【9 】 滚动轴承故障传统诊断技术主要有振动检测技术、声学诊断技术、温度诊断 技术、油膜电阻诊断技术、光纤检测诊断技术等。下面将分别介绍这几种方法： a 振动诊断技术在各种轴承故障诊断方法中，振动检测是最常用的一种方 法。轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀时，轴承运行中会出现 周期性的脉冲信号。这种周期性信号可由安装在轴承座上的传感器( 速度型或加 速度型) 来接收，通过对振动信号的分析就可以实现对滚动轴承运行状态的监测 与诊断。 b 声学诊断技术声学诊断技术包括声音诊断技术和声发射诊断技术，前者 利用轴承转动时产生的声音信号来进行诊断，后者则是利用轴承材料内部晶格错 位、晶界滑移或内部裂纹的发生和发展释放出的弹性波即声发射现象来实现滚动 轴承的状态监测与诊断。声发射技术是近几年发展起来的新兴技术，它在结构完 整性的探查方面己经获得了十分广泛的应用，成为运行状态下对机器构件缺陷的 发生和发展在线监测不可缺少的手段。利用声发射技术对滚动轴承座圈表面的缺 陷进行检测，其检测能力并不亚于振动检测技术。 c 温度诊断技术轴承如果存在缺陷，轴承的温度很快会发生变化，对滚动 滚动轴承故障诊断算法及软件 轴承进行温度检测的方法很早就用到。但是，对于表面剥落或裂纹、压痕等轴承 转动面上的局部损伤，在初期阶段几乎不可能利用温度变化检测出来。因此，根 据温度变化进行诊断，在实践中并不理想。在工业现场，对滚动轴承的材料或润 滑剂等制定温度界限，监视轴承在正常和异常状态下的温度范围，对维持轴承正 常运行至关重要。 d 油膜电阻诊断技术当滚动轴承在工作时，滚道面与滚动体之间形成油膜， 导致内圈和外圈之间有很大的电阻。如果滚道面或滚动面上存在缺陷，油膜就会 遭到破坏而使电阻变小。油膜电阻法就是利用这一性质对滚动轴承的润滑状态进 行诊断，该方法对磨损、腐蚀一类缺陷比较敏感，通常适用于旋转轴外露的工作 场合。 1 4 国内外研究的概况及发展趋势 滚动轴承的故障诊断在国外大概开始于2 0 世纪6 0 年代。在其后几十年的发 展时间里，各种方法与技巧不断产生、发展和完善，应用的领域不断扩大，诊断 的有效性不断提高。总的来说，滚动轴承故障诊断发展经历了以下几个阶段0 1 第一阶段：利用通用的频谱分析仪诊断轴承故障。2 0 世纪6 0 年代中期，由 于快速傅立叶变换( f f t ) 技术的出现和发展，振动信号的频谱分析得到了很大的 发展。人们根据对滚动轴承元件有损伤时产生的振动信号特征频率的计算和采用 频谱分析仪实际分析得到的结果进行比较来判断滚动轴承是否有故障。 第二阶段：用冲击脉冲技术诊断轴承故障。在6 0 年代末期，首先由瑞典s p m 仪器公司开发出冲击脉冲计，根据冲击脉冲的最大幅值来诊断轴承故障。这种方 法能比较有效的检测到轴承的早期损伤类故障。 第三阶段：用共振解调技术诊断轴承故障。19 7 4 年，美国波音公司的 d r h a r t i n g 发明了一项叫做“共振解调分析系统”的专利。共振解调技术与冲击 脉冲技术相比，对轴承早期损伤类故障更有效。共振解调技术不但能诊断出轴承 是否有故障，而且可以判断出故障发生在哪个轴承元件上以及故障发生的大致严 重程度。 第四阶段：开发以微机为中心的滚动轴承监视与故障诊断系统1 。2 0 世纪 9 0 年代以来，随着微机技术迅猛发展，开发以微机为中心的滚动轴承故障诊断 系统引起了国内外研究者的重视。微机信号分析和故障诊断系统不但具有灵活性 高，适应性强，易于维护和升级的特点，而且易于推广和应用。 随着信号检测技术、计算机技术、数字信号处理技术、人工智能技术的迅速 发展，轴承故障诊断己经成为融合数学、物理、力学等自然科学和计算机技 术、数字信号处理技术、人工智能技术的综合学科。与传统的诊断方法相比，目 前的研究方向主要表现在以下几个方面引n 3 。 4 硕十学位论文 ( 1 ) 小波变换 从8 0 年代后期开始，作为应用数学的一个分支，小波变换得到了迅速的发展。 由于小波变换在时、频域的局部化和可变时频窗的特点，与传统的傅立叶变换相 比，小波变换更适合分析非稳态信号。因为滚动轴承的损伤故障信号是典型非稳 态信号，所以用小波变换处理轴承振动信号，可更为有效地获得故障特征信息。 ( 2 ) 专家系统 近年来随着人工智能技术的发展，专家系统技术得到了迅速的推广。所谓的 专家系统就是一个智能的计算机程序，它能模拟专家在处理问题时的一些推理方 法，利用已有的知识和经验建立模型，解决问题。将基于知识的专家系统技术应 用于故障诊断领域可以使滚动轴承诊断分析和决策分析更加准确可靠。 ( 3 ) 模糊诊断 由于滚动轴承振动信号中故障特征振动与故障类型不存在绝对的对应关系，一 种故障可能引起多种特征，而一种故障特征可能对应多类故障，因此近年来，模 糊理论被引进到轴承故障诊断领域。轴承故障模糊诊断中的概念是模糊概念，可 以用模糊集合来表示，而模糊变换运算是用来讨论模糊判断和推理的。 ( 4 ) 神经网络 轴承故障诊断的目的，是从故障定位到确定故障性质，进而确定故障发生的 程度，由于神经网络具用处理复杂多模式及进行联想，推测和记忆的功能，因而 近年来在故障诊断领域引起了广泛的研究。 1 5 神经网络理论在故障诊断中的应用 神经网络是科学家从不同角度进行长期的不懈努力和探索所形成的一个多 学科交叉的前沿技术领域。神经网络是指利用工程技术手段模拟人脑神经网络的 结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。 故障诊断的本质就是在分析故障症状和故障原因的基础上，由症状推断出故 障的原因，人工神经网络在故障诊断中的应用，就是要用人工神经网络来模拟人 脑的推断功能从而进行故障诊断。人工神经网络在故障诊断中具有十分重要的应 用价值，它能通过训练人工神经网络存储关于过程的知识，直接从定量的历史故 障信息中学习，根据正常工作状态的历史数据训练网络，然后将此信息与当前的 操作数据进行比较，以确定故障原因。 人工神经网络故障诊断方法不但能在模式空间内形成各种复杂的判决表面， 而且神经网络方法最大的特点是网络具有自适应能力，网络不但能自适应地学 习，而且能够自适应地调整网络的大小；而且它兼有模式识别和特征提取的作用， 所以，人工神经网络故障诊断法不需要对输入的模式做明显的特征提取，网络的 隐层本身就具有特征提取的功能。另外，神经网络故障诊断法一般对输入模式信 滚动轴承故障诊断算法及软件 息的不完备或特征的缺损不太敏感，也就是说网络具有容错性。它与传统的故障 诊断方法比较起来，人工神经网络故障诊断法在背景噪声统计特性未知的情况 下，其性能更好，网络具有很好的泛化能力。 1 6 神经网络理论在滚动轴承故障诊断中的优越性 人工神经网络是科学家从不同角度进行长期的不懈努力和探索所形成的一 个多学科交叉的前沿技术领域。神经网络是指利用工程技术手段模拟人脑神经网 络的结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。 人工神经网络模型以其高度的并行处理信息的能力，自组织及自学习和较强的 联想记忆能力，在机械故障诊断中显示了极强的生命力。与传统的检测方法相比， 神经网络有如下优点引： ( 1 ) 可用于系统模型未知或系统模型较为复杂，以及非线性系统的故障模 式识别。 ( 2 ) 兼有故障信号的模式变换和特征提取功能。 ( 3 ) 可用于复杂模式的故障诊断。 ( 4 ) 可用于离线诊断，也能适应实时监测的要求。 ( 5 ) 可方便地获取新知识，克服专家系统获取知识的瓶颈问题。 ( 6 ) 网络训练灵活，可实现离线及在线学习。 ( 7 ) 具有很强的容错性、鲁棒性及其泛化和推导能力。 ( 8 ) 能直接使用时间序列数据，而专家系统需要将数值数据转换成符号信 息。 而神经网络之所以适合于故障诊断，有以下3 个原因： ( 1 ) 训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故 障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测 量数据进行比较，以确定故障的类型。 ( 2 ) 神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以 训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声 的能力使得神经网络适合在线故障检测和诊断。 ( 3 ) 神经网络具有分辨原因及故障类型的能力。 滚动轴承故障特征与故障之间是一种非常复杂的非线性关系，而b p 神经网 络用一种全新的思路来处理这类问题，具有非常强大的综合分析能力，在非线性 逼近上功能尤其强大，理论上只要神经元足够多，就能逼近任意复杂的非线性系 统。因此，用b p 神经网络来进行滚动轴承故障诊断是非常合适的。 6 硕十学位论文 1 7 本课题的主要研究内容 本文的主题在于将人工神经网络这一先进的方法引入到滚动轴承故障诊断 这一传统领域。本方法将为轴承故障诊断技术提供一种方法，以期通过这种先进、 高效的技术手段来提高轴承故障诊断的效率。围绕这个主题，本文的研究内容如 下： 第二章：阐述了滚动轴承失效的基本形式、滚动轴承固有振动频率、以及滚 动轴承有异常时的振动特性这些滚动轴承基本参数，对后文的内容起到了理论铺 垫作用。 第三章：系统的介绍了人工神经网络的概念、结构、学习方法以及b p 神经 网络的相关算法，并在传统b p 神经网络算法的基础上对其进行了算法改进，使 得其能够更加适合与滚动轴承故障诊断系统的应用。 第四章：详细介绍了在m a t l a b 中神经网络工具箱的各种函数及其用法， 并在m a t l a b 环境中应用b p 神经网络对滚动轴承提取出的故障特征进行了精 确的模式识别。 第五章：介绍了v c + + 软件调用m a t l a b 神经网络工具箱的三种方法，并 选用一种方法对滚动轴承故障诊断系统软件进行开发，使其能够更加方便快捷的 在实际生产中得以应用。 第六章：结论与展望，小结了论文的工作，并给出了一些建议及展望。 滚动轴承故障诊断算法及软件 2 1 引言 第2 章滚动轴承的故障特征分析 滚动轴承是旋转机械主要基础部件之一。它具有效率高、摩擦阻力小、装 配较为方便、润滑易实现等优点。因此，在中、小型旋转机械上应用较为普遍。 滚动轴承在正常工作条件下，由于受到载荷、安装、润滑状态等因素的影响，运 转一段时间后将会产生各种类型的失效n5 | 。因此，滚动轴承是旋转机械中较为 薄弱的环节。滚动轴承产生失效的初始阶段，由于失效程度较为轻微，往往不易 被人们发现。只有当失效发展到明显过热、强烈振动或滚动噪声足够大时才会被 人们发现。由于发现不及时往往引起设备停机或设备损坏，造成生产上不应有的 损失6 j 。因此，开展对轴承的故障诊断具有很现实的意义。 轴承故障的监测与诊断一直是机械故障诊断技术中的重要内容。据统计，约 3 0 的旋转机械故障是由于滚动轴承的损坏引起的n7 1 。由于设计不当，或零件的 加工和安装工艺不好，或轴承工作条件欠佳，或载荷的冲击，使轴承在承载运转 一段时间后会产生各种各样的缺陷，并且在继续运行中其缺陷还会进一步扩展， 使轴承运转状态逐渐恶化以至完全失效。滚动轴承失效形式较多，可能的故障种 类有磨损、剥落、压痕、胶合和裂纹等，其中典型故障是由于疲劳剥落引起的损 伤。 本章介绍了滚动轴承失效的基本形式、滚动轴承振动的基本参数、以及利用 小波包分析进行滚动轴承故障特征的提取。在第四章我们将建立滚动轴承振动实 验台，将采集到的信号数据应用小波包频带能量分析技术来提取故障征兆，从而 构建出神经网络的的输入向量。 2 2 滚动轴承失效的基本形式 滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑 不良、水分和异物侵入、腐蚀和过载等都可能会导致轴承过早损坏。即使在安装、 润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和 磨损而不能正常工作。总之，滚动轴承的故障原因是十分复杂的。滚动轴承的主 要故障形式与原因如下。 1 、滚动轴承的磨损失效 磨损是滚动轴承最常见的一种失效形式。是轴承滚道、滚动体、保持架、座 孔或安装轴承的轴颈，由于机械原因或润滑杂质引起的表面磨损。在工作环境恶 劣的情况下，许多杂质会混杂在润滑油中，进入轴承，从而就会在滚动体和滚道 上产生磨料磨损，在滚动体和滚道上出现不均匀的划痕n 引。磨料的存在，是轴 硕十学何论文 承磨损的基本原因。 2 、滚动轴承的疲劳失效 疲劳是滚动轴承的另一种失效形式，常表现为滚动体或滚道表面剥落或脱 皮。初期是在表面上形成不规则的凹坑，以后逐渐延伸成片。滚动轴承在工作时， 由于滚动体与内、外圈接触面积很小，因此接触应力很大。在高速旋转时，由于 巨大的交变接触应力多次反复作用，轴承元件金属表面就会发生疲劳，产生剥落， 形成小凹坑n 引。造成剥落的主要原因是载荷引起的交变应力，有时是因为润滑 不良或强迫安装。 3 、滚动轴承的腐蚀失效 由于湿气或水分浸入轴承或由于使用了品质不好的润滑油，就会在轴承表面 形成腐蚀。轴承零件表面的腐蚀是由下面三种原因造成的：第一种是润滑油水分 或湿气的腐蚀；第二种是电腐蚀；第三种是微振腐蚀。 4 、滚动轴承的断裂失效 轴承零件的破断与裂纹主要是由于磨削或热处理引起的，也有的是由于运行 时载荷过大、转速过高、润滑不良或装配不善，使轴承某个部位发生应力集中， 产生裂纹，最后导致轴承元件断裂瞳引。 5 、滚动轴承的压痕失效 压痕是由于轴承过载、撞击或异物进入滚道内使得滚动体或滚道表面上产生 局部变形而出现的凹坑。其原因主要是由于装配不当，有时也可能是过载或撞击 造成。 6 、滚动轴承的胶合失效 胶合发生在滚动接触的两个表面间，为一个表面上的金属粘附到另一个表面 的现象。当滚子在保持架内卡住，由于润滑不良、速度过高和惯性力的影响，保 持架的材料粘附到滚子端面上形成螺旋型污斑状的胶合。 7 、滚动轴承的保持架损坏 由于装配或使用不当可能会引起保持架变形，增加它与滚动体之问的摩擦， 甚至使某些滚动体卡死不能滚动，也有可能造成保持架与内外环发生摩擦等。 2 3 滚动轴承振动的基本参数 2 3 1 滚动轴承的典型结构 滚动轴承是由内环、外环、滚动体和保持架四种元件组成。通常，其内环与 机械传动轴的轴颈过盈配合联接，工作时与轴一起转动；外环安装在轴承座、箱 体或者其它支撑物上，工作时一般固定和相对固定。但也有外环回转、内环不动 或内外环分别按不同的转速回转的使用情况。滚动体是滚动轴承的核心元件，它 使相对运动表面间的滑动摩擦变成滚动摩擦心1 | 。滚动体的形式有球形、圆柱形、 9 滚动轴承故障诊断算法及软件 圆锥形、鼓形等。在滚动轴承内外环上都有凹槽滚道，它们起着降低接触应力和 限制滚动轴承轴向移动的作用。保持架使滚动体等距离分布并减少滚动体间的摩 擦和磨损。如果没有保持架，相邻滚动体将直接接触，且相对摩擦速度是表面速 度的两倍，发热和磨损都较大。图2 1 所示为滚动轴承( 球轴承) 的典型结构示意 图22 i 。 图2 1 滚动轴承典型结构示意图 图示滚动轴承的几何参数主要有： 轴承节圆直径d ：轴承滚动体中心所在的圆的直径； 滚动体直径d ：滚动体的平均直径； 内圈滚道半径吒：内圈滚道的平均直径； 外圈滚道半径：外圈滚道的平均直径； 接触角口：滚动体受力方向与内外滚道垂直线的夹角； 滚动体个数z ：滚珠或滚针的数目。 2 3 2 滚动轴承的特征频率 为分析轴承各部分运动参数，先做如下假设： ( 1 ) 滚道与滚动体之间无相对滑动； ( 2 ) 承受径向、轴向载荷时各部分无变形； ( 3 ) 内圈滚道回转频率为，：； ( 4 ) 外圈滚道回转频率为； ( 5 ) 保持架回转频率为( 即滚动体公转频率为f 。 参见图2 1 ，则滚动轴承工作时各点的转动速度如下： 内滚道上一点的速度为： = 2 刀彳= 万z ( d d c o s 口) 外滚道上一点的速度为： 圪= 2 万吒z = 万z ( d + d c o s 口) l o ( 2 1 ) ( 2 2 ) 硕士学位论文 保持架上一点的速度为： k = 圭( k + 圪) = 砸。 由此可得保持架的旋转频率( 即滚动体的公转频率) 为： ( 2 3 ) 正= 等卦一知蚍州+ 扣毗 4 ， 单个滚动体在外滚道上的通过频率，即保持架相对外圈的回转频率为： 厶= ”z i - 批一z l ( 1 _ 吾c o s 口) ( 2 5 ) 单个滚动体在内滚道上的通过频率，即保持架相对内圈的回转频率为： 厶= ”z r ”z j ( 1 + 吾c 。s 口) ( 2 6 ) 从固定在保持架上的动坐标系来看，滚动体与内圈作无滑动滚动，它的回转 频率之比与d 2 ，i ，成反比。由此可得滚动体相对于保持架的回转频率( 即滚动体 的自转频率，滚动体通过内滚道或外滚道的频率) 无： 丢寺= 等坐= 弘扣口，氏d dd 、d 丘= 均m i 心埘口 ( 2 7 ) ( 2 8 ) 根据滚动轴承的实际工作情况，定义滚动轴承内、外圈的相对转动频率为 z = z 一丘。一般情况下，滚动轴承外圈固定，内圈转动，即：无= o ， z = 彳一z = 彳。同时考虑到滚动轴承有z 个滚动体，则滚动轴承的特征频率如下： 滚动体在外圈滚道上的通过频率巩为： 玩= 三z ( ，一吾c 。s 蚍 滚动体在内圈滚道上的通过频率矾为： ( 2 9 ) 矾= 三z ( + 昙c 。s m ( 2 m ) 滚动体在保持架上的通过频率( 即滚动体自转频率丘) 为： 滚动轴承故障诊断算法及软什 丘= 孙c 扣“卜 保持架的旋转频率( 即滚动体的公转频率) 为： 以= 吾c o s 蚍 ( 2 1 1 ) ( 2 1 2 ) 2 3 3 滚动轴承的固有振动频率 滚动轴承在运行过程中，由于滚动体与内圈或外圈冲击而产生振动，这时的 振动为轴承各部分的固有频率。 ( 1 ) 内、外圈的固有振动频率 l扬勿 一| 3 j 一 r 参黝 一 图2 2 滚动轴承套圈横截面简化图与径向弯曲振动振型示意图 固有振动中，内、外圈的振动表现最明显，如图2 2 所示，计算内圈及外圈 的固有振动频率时，将它们看作是矩形截面的圆环，故可用如下近似公式： 五= 黠砉等c 舷， 式中刀一振动阶数( 变形波数) ，玎= 2 ，3 ，； e 一材料的弹性模量，钢材为2 1 0 g p a ： ，一套圈横截面的惯性矩，m m 4 ； y 一密度，钢材为7 8 6 1 0 。6k g m m 3 ： 彳一套圈横截面积，么砌，m m 2 ； d 一套圈横截面中性轴直径，m m ； g 一重力加速度； 6 一套圈宽度，m m ； 一套圈厚度，m m ； 1 2 硕十学位论文 对钢材，将各常数代入式得 z 以4 咯舒c 忽， ，4 ) ( 2 ) 钢球的固有振动频率 厶= 半参c 忽， 式中d 一钢球的直径，m m ； e 一材料的弹性模量，n m 2 ，钢材为2 l o g p a ； p 一材料的密度，k g m 3 ，钢为7 8 0 0 k g m 3 。 对于钢材，代入上述常数，则有 厶= 9 6 1 0 4 d ( 2 1 6 ) 2 3 4 滚动轴承有异常时的振动特性 滚动轴承的异常情况是多种多样的，为了叙述的方便，在此讨论各种典型的 单一型异常形式的振动特性，这并不意味着典型的异常形式总是独立发生的。 1 、滚动轴承的构造所引起的振动 如图2 3 所示，滚动轴承在承载时，由于在不同位置承载的滚子数目不同， 因而承载的刚度会随旋转而发生变化，引起轴心的起伏波动。这种起伏波动有时 被称为滚动体的传输振动，其振动的主要频率为玩。为了要减小这种振动的振 幅可以使用游隙较小的轴承或加预紧力来消除游隙。 (a)(协 图2 3 滚动轴承的承载刚度和滚子位置